UNIVERSIDADE DE SÃO PAULO – USP

ESCOLA DE ENGENHARIA DE SÃO CARLOS

DEPARTAMENTO DE ENGENHARIA MECÂNICA
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA

PAULO ROBERTO CHIAROLANZA VILELA

MODELAGEM, SIMULAÇÃO E OTIMIZAÇÃO DINÂMICA

APLICADA A UM PROCESSO DE FERMENTAÇÃO
ALCOÓLICA EM BATELADA ALIMENTADA

São Carlos
2015
 PAULO ROBERTO CHIAROLANZA VILELA

MODELAGEM, SIMULAÇÃO E OTIMIZAÇÃO DINÂMICA

APLICADA A UM PROCESSO DE FERMENTAÇÃO
ALCOÓLICA EM BATELADA ALIMENTADA

Dissertação apresentada à Escola de Engenharia de

São Carlos da Universidade de São Paulo como parte
dos requisitos para obtenção do Título de Mestre em
Ciências.

Área de Concentração: Dinâmica das Máquinas e

Sistemas

Orientador: Prof. Dr. Adriano A. G. Siqueira

ESTE EXEMPLAR TRATA-SE DA

VERSÃO CORRIGIDA.
A VERSÃO ORIGINAL ENCONTRA-
SE DISPONÍVEL JUNTO AO
DEPARTAMENTO DE ENGENHARIA
MECÂNICA DA EESC-USP.

São Carlos
2015
 Dedicatória

À minha esposa Vanina, meus filhos Enzo e Felipe, meus pais Anna e Roberto
e minha irmã Karina por todo o apoio e compreensão durante a elaboração
deste trabalho.
 Agradecimentos

À minha esposa Vanina pelo apoio durante todo o período em que me dediquei
a pesquisa.

Aos meus filhos Enzo e Felipe por emprestarem um pouco do seu tempo para
que eu me dedicasse a pesquisa.

A meu pai Roberto e minha mãe Anna e também minha irmã Karina.

Ao meu orientador Adriano Siqueira por toda a paciência, compreensão e

dedicação durante o período em que estive envolvido na pesquisa.

À Fermentec Ltda. Tecnologias em Açúcar e Álcool por fornecer todos os

recursos necessários para a execução dos experimentos e análises.

Às minhas amigas Bruna, Crisla, Juliana, Milene, Silene e Vanessa pelo auxílio
e suporte durante os experimentos e análises.

Aos meus amigos Júlio e Marcel pelo apoio e motivação dado direta ou
indiretamente durante o período de estudos.

Ao meu amigo Rudimar pelos artigos fornecidos e dúvidas esclarecidas durante

os estudos.

Ao Dr. Mário Lúcio Lopes e ao Dr. Henrique Vianna de Amorim pelo seu apoio
e contribuições inestimáveis na elaboração deste trabalho.

Por fim, a todos que auxiliaram de maneira direta ou indireta na execução

deste trabalho e que não foram citados, desculpem a omissão.
 Resumo

Vilela, P. R. C. Modelagem, simulação e otimização dinâmica aplicada a

um processo de fermentação alcoólica em batelada alimentada. 2015. 109
f. Dissertação (Mestrado) - Programa de Pós-Graduação em Engenharia
Mecânica e Área de Concentração em Dinâmica de Máquinas e Sistemas --
Escola de Engenharia de São Carlos da Universidade de São Paulo, 2015.

O uso de etanol combustível no Brasil é hoje considerado o mais

importante programa de combustível comercial renovável do mundo, sendo um
potencial substituto aos derivados de petróleo. O aumento de rendimento
fermentativo e a diminuição das perdas são objetivos de estudo em diversos
centros de pesquisa, sendo o estudo da modelagem matemática e simulação
do processo de grande importância para tal. A presente pesquisa apresenta
como função identificar um modelo matemático para a linhagem isolada de
Saccharomyces cerevisiae PE-2, de maneira a otimizar a maneira como é
realizada a sua alimentação através de um controle H∞ por representação
quasi-LPV. São realizados 9 ensaios de fermentação em 3 temperaturas
distintas sob mesmas condições de concentração de substrato entrante. Após
a finalização dos experimentos e análises, realiza-se a estimativa dos
parâmetros componentes das equações diferenciais que modelam a cinética
fermentativa, através de um algoritmo Quasi-Newton. De posse do modelo
matemático, desenvolve-se um controle otimizado para a temperatura de 33ºC
(temperatura usual de controle no processo industrial), considerando os
parâmetros “s” e “v” variantes no tempo e os parâmetros x = 150 g/l e p = 70 g/l
fixados, sendo valores médios obtidos durante o experimento. A utilização do
controle desenvolvido possibilita um aumento de produtividade na faixa de 10%
com relação a alimentação realizada em laboratório. Os resultados finais
comprovam a eficiência do modelo matemático desenvolvido, comparado a
outros estudos semelhantes, a influência da temperatura nos parâmetros
cinéticos e a possibilidade de otimizar o processo através de um controle
avançado do processo.

Palavras-chave: Modelagem Matemática. Fermentação Etanólica. Batelada

Alimentada. H-infinito. Linear a Parâmetros Variantes.
 Abstract

Vilela, P. R. C. Modeling, simulation and dynamic optimization applied to

an alcoholic fermentation process in fed-batch. 2015. 109 f. Thesis
(Master's degree) – Graduate Program in Mechanical Engineering and
Concentration Area in Machine and System Dynamics - School of Engineering
of São Carlos, University of São Paulo, 2015.

The use of ethanol in Brazil is considered the most important commercial

renewable fuel program in the world, with a potential substitute for oil products.
The increase in fermentation yield and losses reduction are objectives of study
in various research centers, where the study of mathematical modeling and
simulation of the process is of significant importance. This research presents as
function to identify a mathematical model for the isolated strain of
Saccharomyces cerevisiae PE-2, in order to optimize the way their substrate is
fed, through a H∞ control based on quasi-LPV representation. Nine fermentation
tests are performed at three different temperatures under the same conditions
for incoming substrate concentration. After the experiments and analysis, it is
carried out the estimation of parameters which are components of the
differential equations that explain the fermentation kinetics, through a Quasi-
Newton algorithm. With the mathematical model obtained, it is developed an
optimal control for temperature 33°C (usual temperature control in the industrial
process), considering the parameters “s” e “v” variyng in time and the
parameters x = 150 g/l e p = 70 g/l set, which are average values obtained over
the tests. The use of the control developed, applied to the flow variation, allows
increasing productivity in 10% when compared with the flow performed in the
tests conditions. The final results demonstrated the efficacy of the developed
mathematical model, compared to other similar studies, the influence of
temperature on the kinetic parameters and the possibility to optimize the
process through an advanced process control.

Keywords: Mathematical Modeling. Ethanol fermentation. Fed batch. H-infinity.

Linear Parameter Varying.
“Os que se encantam com a prática
sem a ciência são como os
timoneiros que entram no navio sem
timão nem bússola, nunca tendo
certeza do seu destino”
(Leonardo da Vinci)
Lista de Figuras

Figura 1 – Produção de Álcool Combustível no Brasil nos últimos 10 anos (UNICA, 2015).
26
Figura 2 – Curva de crescimento microbiano (DORAN, 1995). 36
Figura 3 – Classificação dos Métodos de Otimização (BORGES, 2008). * Métodos de
Otimização Não Determinísticos são considerados métodos de ordem zero. 47
Figura 4 – Nove biorreatores igualmente distribuídos em 3 temperaturas (30°C, 33°C e
36°C) controladas individualmente. 60
Figura 5 - Células de levedura ao microscópio óptico sob ação do corante eritrosina
(Fonte: FERMENTEC, 2014a). 61
Figura 6 – Câmara de Neubauer utilizada na contagem de células de levedura (Fonte:
FERMENTEC, 2014a). 63
Figura 7 – Câmara de Neubauer apresentando os locais onde deve ser realizada a
contagem (Fonte: FERMENTEC, 2014a). 63
Figura 8 – Comparação referente à Viabilidade nos dois ciclos e nas três temperaturas
utilizadas durantes os procedimentos experimentais. 75
Figura 9 - Comparação referente à quantidade de Biomassa nos dois ciclos e nas três
temperaturas utilizadas durantes os procedimentos experimentais. 77
Figura 10 – Variação da Quantidade de Manitol [mg/l] para cada uma das temperaturas
analisadas. 80
Figura 11 – Variação da Porcentagem de Glicerol para cada uma das temperaturas
analisadas. 80
Figura 12 - Volume, Concentração de Biomassa, Substrato e Produto na temperatura de
30ºC. 83
Figura 13 - Volume, Concentração de Biomassa, Substrato e Produto na temperatura de
33°C. 83
Figura 14 – Volume, Concentração de Biomassa, Substrato e Produto na temperatura de
36°C. 84
Figura 15 – Taxa de Conversão média ao final do processo fermentativo de substrato em
produto em cada uma das temperaturas analisadas. 85
Figura 16 - Taxa de Conversão média ao final do processo fermentativo de substrato em
células em cada uma das temperaturas analisadas. 86
Figura 17 - Produtividade média ao final do processo fermentativo em cada uma das
temperaturas analisadas. 87
Figura 18 – Resultado da estimação dos parâmetros para temperatura de 30ºC,
comparando os dados experimentais e a estimação dos parâmetros - Biomassa (g/l)
92
Figura 19 – Resultado da estimação dos parâmetros para temperatura de 30ºC,
comparando os dados experimentais e a estimação dos parâmetros - Substrato (g/l)
92
Figura 20 – Resultado da estimação dos parâmetros para temperatura de 30ºC,
comparando os dados experimentais e a estimação dos parâmetros - Produto (g/l)
93
Figura 21 – Resultado da estimação dos parâmetros para temperatura de 30ºC,
comparando os dados experimentais e a estimação dos parâmetros - Volume do
Tanque (l) 93
Figura 22 – Resultado da estimação dos parâmetros para temperatura de 33ºC,
comparando os dados experimentais e a estimação dos parâmetros - Biomassa (g/l)
94
Figura 23 – Resultado da estimação dos parâmetros para temperatura de 33ºC,
comparando os dados experimentais e a estimação dos parâmetros - Substrato (g/l)
94
Figura 24 – Resultado da estimação dos parâmetros para temperatura de 33ºC,
comparando os dados experimentais e a estimação dos parâmetros - Produto (g/l)
95
Figura 25 – Resultado da estimação dos parâmetros para temperatura de 33ºC,
comparando os dados experimentais e a estimação dos parâmetros - Volume do
Tanque (l) 95
Figura 26 – Resultado da estimação dos parâmetros para temperatura de 36ºC,
comparando os dados experimentais e a estimação dos parâmetros - Biomassa (g/l)
96
Figura 27 – Resultado da estimação dos parâmetros para temperatura de 36ºC,
comparando os dados experimentais e a estimação dos parâmetros - Substrato (g/l)
96
Figura 28 – Resultado da estimação dos parâmetros para temperatura de 36ºC,
comparando os dados experimentais e a estimação dos parâmetros - Produto (g/l)
97
Figura 29 – Resultado da estimação dos parâmetros para temperatura de 36ºC,
comparando os dados experimentais e a estimação dos parâmetros - Volume do
Tanque (l) 97
Figura 30 – Resultado da otimização da vazão de entrada sobre a concentração de
produto. 99
Figura 31 – Resultado do controlador sobre a vazão de entrada. 100
Lista de Tabelas

Tabela 1 – Funções objetivo empregadas em fermentações alcoólicas conduzidas em

bateladas alimentadas (BORGES, 2008). ..................................................................... 52
Tabela 2 – Restrições impostas no Problema de Otimização Dinâmica envolvendo
fermentação alcoólica em batelada alimentada (BORGES, 2008). ............................. 53
Tabela 3 – Viabilidade e Brotamento no 1º Ciclo ................................................................. 74
Tabela 4 – Viabilidade e Brotamento no 2º Ciclo ................................................................. 75
Tabela 5 – Concentração média de biomassa [g/l] existente nos biorreatores cuja
temperatura foi mantida em torno de 30ºC .................................................................. 76
Tabela 6 – Concentração média de biomassa [g/l] existente nos biorreatores cuja
temperatura foi mantida em torno de 33ºC .................................................................. 76
Tabela 7 – Concentração média de biomassa [g/l] existente nos biorreatores cuja
temperatura foi mantida em torno de 36ºC .................................................................. 77
Tabela 8 – Variação da Concentração média de etanol nas amostras de vinho coletadas
para cada uma das temperaturas analisadas. ............................................................. 78
Tabela 9 – Valores de pH para cada um dos biorreatores e cada um dos ciclos
executados.................................................................................................................... 79
Tabela 10 – Variação da quantidade de Açúcares Redutores Totais (ART) [g/l] para cada
uma das temperaturas analisadas. .............................................................................. 79
Tabela 11 – Densidade [g/l], massa [g] e volume [l] médios para a temperatura de 30ºC . 81
Tabela 12 – Densidade [g/l], massa [g] e volume [l] médios para a temperatura de 33ºC . 82
Tabela 13 – Densidade [g/l], massa [g] e volume [l] médios para a temperatura de 36ºC . 82
Tabela 14 – Rendimento Fermentativo nos dois ciclos, para cada uma das temperaturas
estudadas neste trabalho. ............................................................................................ 87
Tabela 15 – Resultados experimentais da fermentação em batelada alimentada:
condições iniciais e finais dos experimentos. ............................................................ 88
Tabela 16 – Dados experimentais utilizados na obtenção do modelo matemático
(Temperatura = 30ºC). ................................................................................................... 89
Tabela 17 – Dados experimentais utilizados na obtenção do modelo matemático
(Temperatura = 33ºC). ................................................................................................... 89
Tabela 18 – Dados experimentais utilizados na obtenção do modelo matemático
(Temperatura = 36ºC). ................................................................................................... 90
Tabela 19 – Comparação entre os métodos Runge-Kutta 23 e Runge-Kutta 45 durante a
estimação dos parâmetros. .......................................................................................... 90
Tabela 20 – Parâmetros Iniciais e estimados usando o método Runge-Kutta 45. ............. 91
Tabela 21 – Valor de Correlação Linear R-Múltiplo (%) entre as variáveis independentes e
a variável dependente Temperatura [ºC]. .................................................................... 91
Tabela 22 – Resultados dos ganhos do controlador. .......................................................... 99
Lista de Siglas e Nomenclaturas

Siglas Utilizadas
UNICA União da Indústria de Cana-de-Açúcar
ANP Agência Nacional do Petróleo, Gás Natural e Biocombustíveis
ADP Adenosina Difosfato
ATP Adenosina Trifosfato
POD Problemas de Otimização Dinâmica
PCO Problemas de Controle Ótimo
IDP Programação Dinâmica Iterativa
HDE Evolução Diferencial Híbrida
FO Função Objetivo
LPV Sistemas Lineares a Parâmetros Variantes
LMI Inequações Matriciais Lineares
NLMI Inequações Matriciais Não-Lineares
ART Açúcares Redutores Totais

Subscritos
max Limites superiores das variáveis
min Limites inferiores das variáveis
Cél Células
Prod Produto
Sub Substrato
0 Valor Inicial

Nomenclaturas nas Equações

ARTmosto(p/v) ART do mosto (peso/volume) %
EtOH Teor Alcoólico %
EtOHa Teor Alcoólico da fermentação anterior %
Fator dependente do Açúcar Total do mosto e
f
volume alimentado
ks Constante de saturação para o crescimento celular g/l
 Constante de inibição do crescimento celular pelo
ki g/l
substrato
Constante de manutenção celular: relativo a
ms quantidade necessária de substrato para a célula 1/h
manter-se viva
m Índice da influência da inibição pela biomassa
n Índice da influência da inibição pelo produto
Taxa de variação da concentração de produto no
p g/l/h
meio
p Concentração de produto no meio g/l
p0 Concentração inicial de produto no meio g/l
Concentração máxima de produto onde cessa o
pm g/l
crescimento microbiano
pF Concentração de produto ao final do processo g/l
p(t) Concentração de produto no instante t g/l
Qp Produtividade g/l/h
Taxa de variação da concentração de substrato no
s g/l/h
meio
sF Concentração do substrato entrante g/l
s Concentração de substrato no meio g/l
s0 Concentração inicial de substrato no meio g/l
s(t) Concentração de substrato no instante t g/l
t Tempo h
tF Tempo total de fermentação h
u Vazão de entrada de substrato l/h
v Volume preenchido do biorreator l
v Taxa de variação do volume do meio l/h
v0 Volume inicial preenchido do meio l
vf Volume final preenchido do meio l
v(t) Volume preenchido do biorreator no instante t l
Vmosto Volume de mosto alimentado l
Vv Volume de vinho l
VF Volume de fermento l
Vva Volume de vinho da fermentação anterior l
VFa Volume de fermento da fermentação anterior l
Volume de amostra retirado para análises - quando
Vr l
for considerável
Taxa de variação da concentração de biomassa no
x g/l/h
meio
x Concentração de biomassa no meio g/l
x0 Concentração inicial de células no meio g/l
xv Concentração de biomassa viva no meio g/l
xd Concentração de biomassa morta no meio g/l
Concentração máxima de biomassa onde cessa o
xm g/l
crescimento microbiano
x(t) Concentração de biomassa no instante t g/l
Rendimento de crescimento celular: relativo a
y xs quantidade de substrato desviado para multiplicação gcél/gsub
celular (reprodução)
Rendimento de formação de produto: relativo a
y ps quantidade de substrato utilizado na geração de gprod/gsub
produto

Letras Gregas
 Taxa de consumo de substrato 1/h
 Taxa de formação de produto 1/h
 Taxa de crescimento celular específico 1/h
m Taxa específica máxima de crescimento celular 1/h
Sumário

Capítulo 1 25

1 Introdução 25
1.1 Motivação 25
1.2 Objetivos 28
1.3 Descrição do Trabalho 28
1.4 Disposição dos Capítulos 29

Capítulo 2 30

2 Revisão Bibliográfica 30
2.1 Histórico da Fermentação Alcoólica 30
2.2 Processos de Produção de Etanol e Condução da Fermentação 31
2.2.1 Fermentação Descontínua 31
2.2.2 Fermentação Descontínua Alimentada 32
2.2.3 Fermentação Semicontínua 33
2.2.4 Fermentação Contínua 33
2.2.5 Comparando os tipos de Fermentação 34
2.3 Breve Descrição do processo de Fermentação Alcoólica 34
2.4 Influência das Linhagens de Leveduras na produção de Etanol 37
2.5 A Cinética da Fermentação Alcoólica em Batelada Alimentada 39
2.6 Modelagem do crescimento celular 42
2.7 Métodos de identificação dos parâmetros do modelo cinético 45
2.8 Otimização Dinâmica de um processo fermentativo em batelada alimentada 49
2.8.1 Problema Geral da Otimização 51
2.9 Controle Não-Linear H∞ 53
2.10 Controle H∞ via inequações matriciais lineares 54
2.11 Controle H∞ por representação quasi-LPV 55

Capítulo 3 59

3 Procedimento para identificação dos parâmetros do modelo matemático e da

otimização dinâmica 59
3.1 Condições de teste e procedimento experimental 59
3.2 Análises Microbiológicas 61
3.3 Análises Químicas 64
3.3.1 Determinação da concentração de glicose, frutose, sacarose, manitol e glicerol
por cromatografia de troca aniônica 64
3.3.2 Determinação da concentração de Açúcares Redutores Totais em amostras de
mosto. 65
3.3.3 Determinação do teor de sólidos solúveis dissolvidos na amostra pela medida de
densidade em mosto. 66
3.4 Cálculos de Taxas de Conversão, Produtividade e Rendimento 66
3.5 Obtenção do Modelo Matemático utilizando MATLAB® 68
 3.6 Aplicação da técnica quasi-LPV utilizando MATLAB® 70

Capítulo 4 73

4 Resultados Experimentais, Modelagem Matemática e Otimização do Processo de

Fermentação Alcoólica em Batelada Alimentada 73
4.1 Condições de teste e procedimento experimental 73
4.1.1 Análises Microbiológicas 74
4.1.2 Análises Químicas 78
4.1.3 Taxas de Conversão, produtividade e rendimento fermentativo 85
4.2 Obtenção do modelo matemático 88
4.3 Otimização dinâmica da alimentação do biorreator 98

Capítulo 5 101

5 Conclusões e Sugestões de Trabalhos Futuros 101

5.1 Conclusões 101
5.2 Sugestões de Trabalhos Futuros 102

Referências Bibliográficas 104

 25

Capítulo 1

Neste capítulo é apresentada a motivação para o desenvolvimento do

trabalho e o detalhamento de como será conduzido o mesmo. Dados sobre a
situação atual do mercado brasileiro de produção de etanol são mostrados,
revelando um panorama geral e as necessidades futuras com relação à
importância do etanol de cana-de-açúcar no cenário internacional.

1 Introdução

1.1 Motivação

A necessidade da substituição de derivados de petróleo, a redução da

emissão de gases poluentes e o efeito estufa tornaram a produção e uso de
etanol combustível no Brasil o mais importante programa de combustível
comercial renovável do mundo até hoje.
Segundo a UNICA (União da Indústria de Cana-de-Açúcar), durante a
Safra 2013/2014 foram moídas mais de 650 milhões de toneladas de cana-de-
açúcar, produzindo-se mais de 37 milhões de toneladas de açúcar e 27 bilhões
de litros de etanol. A cana ocupa hoje cerca de 9 milhões de hectares, o que
corresponde a aproximadamente 2,5% de toda área arável do país. Estes
números tornam o Brasil o maior produtor mundial de cana-de-açúcar, seguido
por Índia, Tailândia e Austrália.
O consumo de etanol no Brasil atingiu em 2014, segundo a ANP (Agência
Nacional do Petróleo, Gás Natural e Biocombustíveis), a marca de 21,1 bilhões
de litros, considerando-se tanto o etanol hidratado (combustível) quanto o
anidro (misturado na gasolina). Estes números são aproximadamente 19%
superiores aos registrados em 2013.
O consumo de álcool combustível vem crescendo nas últimas décadas,
principalmente devido a sua utilização como aditivo à gasolina e a sua
 26

característica “verde”. A Figura 1 mostra a evolução da produção de etanol

combustível no Brasil nos últimos 10 anos.

Etanol Total - 2004 a 2014

Produção em Milhões de Litros

30.000

25.000

20.000

15.000

10.000

5.000

Safra

Figura 1 – Produção de Álcool Combustível no Brasil nos últimos 10 anos (UNICA, 2015).

Dentre as vantagens do consumo de etanol no Brasil, é possível citar

(PACHECO, 2010):

 Menor emissão de poluentes: grande parte dos resíduos da queima

de etanol são reabsorvidos na plantação de cana-de-açúcar e os
resíduos das usinas na produção de etanol são quase totalmente
aproveitados na indústria e na lavoura;
 Subprodutos geram renda: utilização do bagaço para produção de
energia elétrica e de vinhaça como fertilizante.
 Menor dependência de combustíveis fósseis: combustíveis fósseis
são muito poluentes, de difícil obtenção, fornecem riscos ao
ambiente desde a sua retirada da fonte até a queima para geração
de energia motora e são não-renováveis.
 Geração de divisas internacionais: produto de exportação fácil,
principalmente em tempos de escassez do petróleo e de
conscientização ecológica.
 27

Logo, pode-se concluir que, caso o Brasil vislumbre ser referência na

produção de etanol combustível e desenvolvimento de tecnologias modernas
para implantação de destilarias e necessário investir-se em pesquisas para
melhoria do desempenho da produção de etanol (PACHECO, 2010).
A ampliação da produção de etanol só foi possível devido à evolução das
tecnologias utilizadas tanto na área agrícola quanto na área industrial. Tais
evoluções contribuíram para uma diminuição dos custos de produção e plantio.
Entre as décadas de 1980 e 2000, uma maior flexibilidade na operação
integrada com os dois produtos da cana (açúcar e álcool) contou também com
avanços em:

 Novas variedades de Cana

 Novos sistemas de moagem
 Aumento da capacidade dos biorreatores
 Utilização da vinhaça como fertilizante
 Controle biológico da broca
 Otimização das operações agrícolas
 Venda do excedente de energia
 Melhor gerenciamento em todas as áreas da indústria e agrícola
 Novos sistemas de colheita e transporte da cana
 Avanços da Automação Industrial

Tais fatores, segundo a UNICA (2012), contribuíram para a evolução do

setor:

 Aumento de produtividade 33% t cana / ha;

 Aumento de 8% no teor de açúcar na cana;
 Aumento de 14% na taxa de conversão do açúcar na cana para
etanol;
 Aumento de 130% da produtividade na fermentação (m³ etanol / m³
reator.dia)
 28

Para possibilitar um avanço ainda maior da rentabilidade deste processo,

através do desenvolvimento tecnológico, torna-se necessário aprofundar ainda
mais os estudos baseados em modelagem matemática e simulação do
processo. Tal ferramenta possibilita prever o comportamento dinâmico e
estacionário do processo, inclusive para condições não testadas empiricamente,
determinando condições de operação ótimas, auxiliando no projeto e ajuste de
sistemas de controle, sendo que o modelo matemático formulado constitui
parte integrante do mesmo (SCHMIDELL e FACCIOTTI, 2001).

1.2 Objetivos

O objetivo geral deste trabalho é avaliar o processo de fabricação de

etanol utilizando biorreatores em batelada alimentada com recirculação de
fermento, de forma a otimizar a conversão de açúcar em etanol.
Entre os objetivos específicos, podem ser citados:

 Estudo do efeito inibitório do produto e do substrato;

 Estudo dos efeitos da temperatura sobre o processo de
fermentação alcoólica
 Estudo e otimização da curva de vazão de entrada de substrato
considerando os efeitos da temperatura.

1.3 Descrição do Trabalho

Esta dissertação de mestrado está dividida em duas partes. A primeira

parte do trabalho é a modelagem da fermentação alcoólica em batelada
alimentada considerando efeitos inibitórios de substrato e produto, bem como a
relação da temperatura com a condução da fermentação alcoólica. A segunda
parte trata da otimização dinâmica da alimentação de substrato durante o
processo.
Durante a modelagem do sistema dinâmico realizado na primeira parte do
trabalho, são realizadas simulações computacionais de maneira a comparar o
 29

sistema modelado com dados reais obtidos através de experimentos

laboratoriais. Nesta modelagem são considerados os efeitos de inibição de
substrato e produto.
Na segunda parte do trabalho é realizada a otimização dinâmica da
alimentação de substrato de maneira a maximizar a produtividade de etanol,
minimizando a quantidade de açúcares residuais ao final da fermentação. Os
resultados obtidos são então comparados com os retratados na literatura.

1.4 Disposição dos Capítulos

No Capítulo 2 é realizada a Revisão Bibliográfica para o desenvolvimento

desta dissertação.
No Capítulo 3 é descrita a Metodologia utilizada na modelagem não
estruturada do processo de fermentação alcoólica em batelada alimentada,
bem como a obtenção dos parâmetros cinéticos e a otimização dinâmica da
alimentação de substrato.
No Capítulo 4 são apresentados os resultados da modelagem
matemática e da otimização dinâmica.
No Capítulo 5 são apresentadas as conclusões e sugestões de trabalhos
futuros.
 30

Capítulo 2

Neste capítulo apresenta-se a revisão bibliográfica realizada a respeito do

tema abordado, destacando o histórico da fermentação alcoólica, os tipos de
condução do processo de fermentação alcoólica, a cinética da fermentação
alcoólica, as metodologias para estimação dos parâmetros cinéticos
necessários para obter um modelo adequado e a otimização da fermentação
alcoólica em batelada alimentada, através de algoritmos de controle ótimo e
robustos.

2 Revisão Bibliográfica

2.1 Histórico da Fermentação Alcoólica

Produtos da fermentação, como pão, vinho e cerveja, são consumidos

desde que se iniciou a prática da agricultura. Existem relatos que comprovam o
consumo e fabricação de cerveja antes de 6000 A.C. (VILLEN, 2009).
No século XVII, Johann Joachim Bechner (1635 – 1682) afirmou que
somente os líquidos açucarados são capazes de entrar em fermentação
alcoólica. O álcool se formava durante o processo de fermentação,
erradamente julgando a necessidade de ar para causar o fenômeno que dizia
ser semelhante à combustão. Já no século XVIII, Joseph Black (1728-1799)
postulou que o álcool etílico e o gás carbônico eram os únicos produtos
formados do açúcar durante a fermentação alcoólica (PACHECO, 2010).
Lavoisier, em 1789, foi o primeiro a efetuar um estudo quantitativo da
fermentação alcoólica, identificou além do álcool etílico e do gás carbônico um
outro composto, o ácido acético. Porém coube a Pasteur, em 1857, explicar a
natureza da fermentação alcoólica, atribuindo-a a atuação de seres vivos, as
leveduras, como agentes causais (PACHECO, 2010).
 31

2.2 Processos de Produção de Etanol e Condução da

Fermentação

A produção de etanol pode ser conduzida de quatro maneiras diferentes.

São elas: descontínua, semicontínua, descontínua alimentada (também
conhecida como batelada alimentada) ou contínua. Todos estes processos
podem ser conduzidos com ou sem recirculação de fermento (SCHMIDELL e
FACCIOTTI, 2001).
Na prática industrial, os processos utilizados são o contínuo e o batelada,
onde o processo em batelada corresponde à batelada alimentada. São
utilizados, na maioria dos casos, biorreatores de aço fechados, também
denominados Dornas de Fermentação, que possuem sistema de agitação e
temperatura controlada entre 32º C e 35 º C, quando a concentração de etanol
se situa na faixa de 7 a 12º GL. É também usual, quando da utilização de
dornas fechadas, a presença de um sistema de recuperação de etanol
arrastado com o gás carbônico produzido, que corresponde a
aproximadamente 1,5% de todo o etanol produzido no processo (PACHECO,
2010).

2.2.1 Fermentação Descontínua

Também conhecida como Fermentação em Batelada. O procedimento

para se realizar uma fermentação em batelada segue o seguinte processo:

 Adiciona-se em um biorreator, uma quantidade adequada de

substrato de forma a suprir as necessidades de nutrição e
desenvolvimento do microrganismo e ao acúmulo do produto
desejado.
 Adiciona-se o microrganismo responsável pelo processo biológico
desejado e aguarda-se que o mesmo ocorra.
 32

 Passado o tempo de fermentação necessário, retira-se o caldo

fermentado do biorreator e executam-se as operações necessárias
para obtenção do produto final.
 Executa-se assepsia do reator e dos outros equipamentos
envolvidos, possibilitando o início de uma nova batelada
(SCHMIDELL e FACCIOTTI, 2001).

Fermentações deste tipo não são indicadas industrialmente, pois a adição

do substrato de maneira direta, no início da fermentação, exerce efeito inibitório,
repressivo ou desvia o metabolismo celular para subprodutos que não
interessam ao processo. (CARVALHO e SATO, 2001).
A aplicação de fermentação do tipo batelada só acontece em escala
laboratorial ou pequenas destilarias de aguardente (PACHECO, 2010).

2.2.2 Fermentação Descontínua Alimentada

Pode ser denominada também como Batelada Alimentada ou “Melle-

Boinot”. O procedimento adotado na fermentação descontínua alimentada é o
seguinte:

 Em um biorreator, adiciona-se o microrganismo previamente

tratado para remoção de contaminantes
 Adiciona-se, de maneira contínua ou intermitente, o(s) substrato(s).
A vazão de entrada pode ser constante ou variar com o tempo.
 Preenchidos os biorreatores, aguarda-se tempo suficiente para que
o consumo do substrato e, consequentemente, a obtenção do
produto final desejado seja realizada (SCHMIDELL e FACCIOTTI,
2001).

Neste processo reduz-se a inibição da fermentação pelo substrato, já que

o açúcar é inserido no reator de forma contínua e/ou intermitente. Porém, os
efeitos inibitórios do acúmulo de etanol ao final do processo não têm seus
efeitos reduzidos (SOUZA, 2009).
 33

Possui como vantagens a facilidade na assepsia dos equipamentos

envolvidos no processo, a possibilidade de trabalhar com altas concentrações
do substrato tendo-se um acréscimo na produtividade do etanol e uma
diminuição do volume do reator e da quantidade de vinhaça produzida (IMPE
VAN et al., 1994)

2.2.3 Fermentação Semicontínua

Na fermentação semicontínua, depois de inseridos no biorreator o

substrato e o microrganismo, seguem-se o seguinte procedimento:

 Aguarda-se o término da fermentação;

 Remove-se parte do meio fermentado, mantendo-se o restante no
biorreator;
 Adiciona-se no biorreator um volume de substrato igual ao retirado
na operação anterior (SCHMIDELL e FACCIOTTI, 2001).

O processo é repetido enquanto não houver queda de produtividade. Este

processo é chamado de semi-contínuo por que, tanto a entrada de substrato
quanto a saída de material fermentado são realizadas de maneira intermitente.
Este processo, apesar de suas poucas aplicações, era utilizado na fabricação
de vinagre a partir do vinho (SCHMIDELL e FACCIOTTI, 2001).

2.2.4 Fermentação Contínua

Na fermentação contínua, o reator é alimentado de maneira contínua com

o substrato desejado, mantendo-se o volume de reação constante através da
retirada contínua do caldo de fermentação (SCHMIDELL e FACCIOTTI, 2001).
As principais vantagens do processo contínuo sobre o descontínuo
tradicional são decorrentes da operação em estado estacionário, já que se
reduz o “tempo morto”, o caldo obtido é mais uniforme, maior facilidade para
 34

emprego de sistemas de controle mais sofisticados e menor necessidade de

mão-de-obra (SOUZA, 2009; PACHECO, 2010).
Entretanto é necessário um maior investimento inicial na planta, a
ocorrência de mutações genéticas e possível seleção de uma variedade menos
produtiva ou ainda a possibilidade maior de contaminação bacteriana por se
tratar de um sistema aberto, são algumas das desvantagens deste tipo de
processo de fermentação (SOUZA, 2009).

2.2.5 Comparando os tipos de Fermentação

Segundo AMORIM (2005) e SCHMIDELL e FACCIOTTI (2001), a

utilização de processo de batelada alimentada apresenta maior rendimento,
possibilidade de aumento do teor alcoólico e consequente redução da
quantidade de vinhaça produzida, maior flexibilidade do processo e menor
susceptibilidade às contaminações. Já a fermentação contínua apresenta maior
facilidade de automação e menor custo de instalação devido ao menor volume
de equipamentos necessários, tais como dornas e trocadores de calor.

2.3 Breve Descrição do processo de Fermentação Alcoólica

O processo de fermentação não ocorre por acaso. A levedura utiliza a

fermentação para conseguir energia e assim sobreviver. O etanol produzido na
fermentação é apenas um dos subprodutos deste processo. Logo se torna
necessário entender e oferecer as condições necessárias e ideais para que a
levedura produza etanol com a maior eficiência possível.
Durante a fermentação alcoólica, as leveduras produzem uma enzima
chamada invertase, responsável por hidrolisar (decompor) a sacarose
( C12H 22O11 ) em duas moléculas menores, chamadas monossacarídeos, a qual
possibilita a formação do etanol. Os monossacarídeos produzidos nesta
decomposição são a D-glicose e a D-frutose, que apesar de possuírem a
mesma fórmula molecular, apresentam diferentes fórmulas estruturais. A
inversão é demonstrada na Equação 1 (SOUZA, 2009).
 35

C12H 22O11  H 2O   C6 H12O6  C6 H12O6

Invertase
Equação 1
D gli cos e D frutose

Na ausência de oxigênio, a atuação enzimática da levedura tende a

produzir etanol C2H5OH  e água H 2O  a partir do ácido pirúvico (Pi). Este

processo ocorre no citoplasma da célula e o seu balanço está representado

pelo Equação 2, chamada de Equação de Gay-Lussac. Na presença de
oxigênio, parte do ácido pirúvico é deslocado para o Ciclo de Krebs (Equação
3), onde enzimaticamente será oxidado, produzindo dióxido de carbono (CO2) e
água (H2O) (SOUZA, 2009).

C6H12O6  2Pi  2ADP  2C2H5OH  2CO2  2ATP  57kcal Equação 2

C6H12O6  6O2  6CO2  6H 2O  38 ATP  688 kcal Equação 3

Apesar de não ser possível distinguir limites de separação, identificam-se

3 períodos durante a fermentação alcoólica (SCHMIDELL e FACCIOTTI, 2001):

1. Fase preliminar: adaptação da levedura ao meio, restrição de

produção de gás carbônico.
2. Fase principal (ou tumultuosa): intensa produção de gás carbônico
e etanol, com consequente aumento da temperatura do meio.
3. Fase complementar: queda da produção de etanol e exaustão da
quantidade de substrato no meio.

Quanto ao crescimento celular, identificam-se as seguintes fases,

mostradas na Figura 2 (DORAN, 1995):

1. Fase lag: adaptação metabólica da levedura ao estresse osmótico

inicial a qual está sendo submetida.
2. Fase exponencial: crescimento de biomassa apresenta sua maior
taxa
 36

3. Fase estacionária: quantidade de células que se multiplicam e

mortas estão em equilíbrio (taxa de crescimento é igual a taxa de
mortalidade)
4. Fase de declínio: aumento da taxa de mortalidade com relação a
taxa de crescimento celular, ou seja, morrem mais células do que
nascem.

Figura 2 – Curva de crescimento microbiano (DORAN, 1995).

Em fermentações do tipo Batelada Alimentada tenta-se controlar o

processo de modo que a última fase seja a estacionária, seguida então pela
fase de centrifugação e tratamento ácido (AMORIM, 2005; YABARRENA,
2012).
Teoricamente, o rendimento (YP/S) para produção de etanol é de 0,511
getanol/gART. Porém este valor não é observado na prática, pois parte da glicose
é desviada para produção de glicerol, alcoóis superiores entre outros
subprodutos (PACHECO, 2010).
Devido as diversas reações catalisadas enzimaticamente, percebe-se a
influência de diversos fatores externos, como pH, temperatura, pressão,
concentração de reagentes, nutrientes, acúmulo de etanol (SOUZA, 2009;
 37

PACHECO, 2010), sendo que alguns influenciam mais severamente o

metabolismo das leveduras, provocando assim redução da viabilidade celular e
consequentemente diminuição da produtividade de etanol.
As leveduras que apresentam melhor desempenho, com alta eficiência
fermentativa são as Saccharomyces cerevisiae, as quais vêm sendo
selecionadas para atuar em ambientes industriais com características que as
tornam mais tolerantes aos produtos da fermentação (BORGES, 2008).

2.4 Influência das Linhagens de Leveduras na produção de

Etanol

As leveduras do gênero Saccharomyces estão entre os organismos mais

importantes e mais estudados em ciências biológicas e sua importância
histórica na economia e na cultura é indiscutível (DUNN, 2012).
A seleção de leveduras para produção eficiente de etanol combustível
leva em consideração diversos fatores. O número de fatores que influenciam
no comportamento da produção de etanol pelas leveduras vem sofrendo um
aumento gradual, conforme os pesquisadores aprendem mais sobre a fisiologia
e genética envolvida neste processo (PANCHAL, 1990; AMORIM, 2005).
Uma levedura “ideal” para produção de etanol combustível deveria
possuir como características principais (PANCHAL, 1990):

 Possuir resistência a toxicidade do etanol

 Ser osmotolerante
 Ser geneticamente estável
 Possuir tolerância a ácido
 Possuir tolerância a temperatura
 Fermentar de maneira rápida e eficiente
 Propagar facilmente
 Fermentar diversos tipos de substratos
 Ter baixa taxa de geração de calor durante a fermentação
 Ser dominante com relação a outras leveduras no processo
 38

PANCHAL (1990) afirma que não existe uma levedura que possua todas
estas características, porém as pesquisas neste assunto continuam.
Teoricamente, as leveduras convertem 1 g de glicose em 0,51 g de etanol
e 0,49 g de dióxido de carbono. Na prática, porém, o crescimento celular ocorre
durante a fermentação, desviando parte do açúcar e resultando em 0,46 g de
etanol e 0,44 g de dióxido de carbono, resultando assim em rendimentos
próximos a 90% na conversão do carbono. São muitos os fatores que
provocam diminuição do rendimento, entre os quais podem ser citados:

 Inibição pelo produto

 Inibição pelos subprodutos, como ácidos orgânicos
 Inibição pela pressão osmótica (concentração do substrato)
 Inibição por elevadas temperaturas
 Inibição da fermentação pela aeração, com aumento do
crescimento celular
 Inibição da fermentação devido contaminação bacteriana ou por
outras leveduras, ou por altos níveis de certos cátions
 Inibição da fermentação devido à instabilidade da linhagem,
gerando mutações ou variantes menos resistentes.

Segundo BASSO et al. (1993), as Unidades Industriais que produzem

etanol no Brasil, geralmente, iniciam a safra utilizando levedura de panificação.
Porém, tais leveduras são incapazes de permanecer no processo, competindo
com leveduras “selvagens” (leveduras contaminantes no processo,
provenientes da matéria prima ou de mutações genéticas) além de não
suportarem as condições adversas provenientes do ambiente industrial.
BASSO et al (2008) avaliou o potencial de 340 leveduras da espécie
Saccharomyces, obtidas em 50 destilarias brasileiras. Destas, 67% produziam
grande quantidade de espuma, 33% eram floculantes e 53% não foram
capazes de metabolizar todo o açúcar existente no meio. Apenas 20% das
leveduras avaliadas não possuíam estas características restritivas e poderiam
ser aproveitadas no meio industrial. Uma vez inseridas em uma destilaria,
 39

linhagens selecionadas reduzem o custo de produção através do aumento do

rendimento e da redução do consumo de insumos como, por exemplo, anti-
espumantes.

2.5 A Cinética da Fermentação Alcoólica em Batelada

Alimentada

O estudo da cinética de fermentação alcoólica possui grande potencial

industrial e econômico e, devido a isso, é de grande interesse aos centros de
pesquisa especializados.
O objetivo do estudo da cinética de fermentação é relacionar
produtividade com taxas de crescimento celular, consumo de substrato e
demais parâmetros correlatos. Assim como todo modelo matemático, a
complexidade da descrição cinética depende invariavelmente da aplicação
realizada e dos parâmetros envolvidos (BORGES, 2008).
Para projetar de maneira adequada um controle baseado no modelo
matemático é necessário primeiramente identificar o modelo a ser utilizado e
seus parâmetros, sendo assim, algumas considerações devem ser realizadas
sobre esta fase do projeto. Modelar matematicamente uma fermentação
apresenta como principal dificuldade determinar as equações que regem tal
reação bioquímica.
A formulação do processo de fermentação em batelada alimentada para
produção de etanol utilizando-se Saccharomyces cerevisiae é indicado por
minimizar os efeitos da alta concentração de substrato e produto, que ocorrem
no início e final do processo, respectivamente. Equação 4 a Equação 9
descrevem o comportamento dinâmico do processo.
Considerando que o crescimento celular depende da diluição das células
(devido à entrada de mosto) e também da multiplicação (reprodução) das
células (taxa de crescimento celular específico, Equação 12), tem-se a
Equação 4.
 40

u
x   x  x x (0 )  x 0 Equação 4
v
sendo:
 x → Taxa de variação da concentração de biomassa no meio
(crescimento celular) [g/l/h],
 u → vazão de entrada de substrato [l/h],
 v → volume preenchido do biorreator [l],
 x → concentração de biomassa no meio [g/l],
  → taxa de crescimento celular específico [1/h],
 x0  x0 → concentração inicial de células no meio [g/l].

A Equação 5 mostra que a taxa de variação do substrato depende da

quantidade de substrato que está entrando no processo e sendo diluída no
vinho e da taxa específica de consumo pelas células, mostrada na Equação 6.

s  sF  s   x
u
s(0 )  s 0 Equação 5
v
 1 
     ms  Equação 6
 y xs 
sendo:
 s → Taxa de variação da concentração de substrato no meio
[g/l/h],

 sF → Concentração do substrato entrante [g/l],

 s → concentração de substrato no meio [g/l],

  → taxa de consumo de substrato [1/h],
 s0  s0 → concentração inicial de substrato no meio [g/l],

 y xs → Rendimento de crescimento celular: relativo a quantidade de

substrato desviado para multiplicação celular (reprodução)
[gcélulas/gsubstrato],
 ms → Constante de manutenção celular: relativo a quantidade
necessária de substrato para a célula manter-se viva [1/h].
 41

A taxa de produção de etanol, mostrada na Equação 7, depende da

diluição do etanol no vinho e da taxa específica de formação de produto pela
levedura (conversão de açúcar em etanol), mostrada na Equação 8.

u
p   p  x p(0)  p0 Equação 7
v
y ps
  Equação 8
y xs
sendo:
 p → Taxa de variação da concentração de produto no meio [g/l/h],

 p → concentração de produto no meio [g/l],

  → taxa de formação de produto [1/h],
 p0  p0 → concentração inicial de produto no meio [g/l],

 y ps → Rendimento de formação de produto: relativo a quantidade

de substrato utilizado na geração de produto [g produto/gsubstrato],

 y xs → Rendimento de crescimento celular: relativo a quantidade de
substrato desviado para multiplicação celular (reprodução)
[gcélulas/gsubstrato],
  → taxa de crescimento celular específico [1/h].

Na Equação 9 pode-se verificar a que a variação do volume do biorreator

depende basicamente da entrada de mosto. Neste trabalho não está sendo
considerada a variação no volume devido a liberação de dióxido de carbono
(CO2).

v  u v (0)  v 0 e v (t f )  v f Equação 9
sendo:
 v → Taxa de variação do volume do meio [l/h],
 v 0  v 0 → volume inicial de do meio [l],

 v t f   v f → volume final do meio [l].

 42

2.6 Modelagem do crescimento celular

A equação mais simples utilizada para descrever a taxa de crescimento

microbiano é a Equação 10, conhecida como Equação de Monod (LUONG,
1985), que considera apenas a presença de substrato como limitante, sem
considerar a toxicidade dos produtos metabólicos presentes no meio.

s
  m . Equação 10
ks  s
sendo:
  m  Taxa específica máxima de crescimento celular [1/h],
 k s → Constante de saturação para o crescimento celular [g/l].

Estudos realizados por LUONG (1985) e FERREIRA (1998) indicam que a

capacidade de produção de etanol é completamente inibida quando a
concentração de etanol no meio atinge valor de 115 g/L.
Quando se trata da inibição devido ao substrato, que desativa importantes
enzimas e modifica o caminho metabólico, vital à sobrevivência das leveduras,
o valor obtido por THATIPAMALA et al. (1992) foi de 150 g/L.
A temperatura é outro parâmetro que afeta a fermentação alcoólica. O
maior rendimento alcoólico é obtido com temperaturas entre 15º C e 20º C,
porém demoram a obter a população máxima. Temperaturas entre 25º C e 30º
C aumentam a taxa inicial de fermentação, enquanto temperaturas superiores a
35ºC afetam a viabilidade celular, favorecendo o aumento das perdas por sobra
de açúcar e da contaminação bacteriana. A temperatura usual na indústria
varia de 32º C a 35º C (BORGES, 2008; AMORIM, 2005).
Segundo SANTOS et al. (2005), BORGES (2008) e LOBATO (2011), o
modelo que mais se adequa a dados experimentais é o modelo de GHOSE e
THYAGI (1979) com o parâmetro n diferente de 1, modificado por TOSETTO
(apud BORGES, 2008), apresentado na Equação 11, que contabiliza tanto os
efeitos inibitórios do substrato quanto do produto. Este modelo é aplicável para
concentrações na faixa de 0 – 120 g/L (SANTOS, 2005) e em condições que só
se utiliza um único substrato (BORGES, 2008).
 43

n
s  p 
  m . .1 
2 

s  pm  Equação 11
s  ks 
ki
sendo:
 k i → Constante de inibição do crescimento celular pelo substrato
[g/l],
 pm → concentração máxima de produto onde cessa o crescimento
microbiano [g/l],
 n → Índice da influência da inibição pelo produto.

BORGES (2008), utilizou uma cepa de Saccharomyces cerevisiae, com

meio de cultivo sendo açúcar cristal diluído e suplementos nutricionais para a
levedura. O processo utilizado foi de batelada alimentada, variando-se o tempo
de enchimento de 3 a 5 horas e a concentração de açúcar do mosto de 217 a
285 g/L. Baixos tempos de alimentação, ou seja, altas vazões de entrada de
substrato, favoreceram a multiplicação celular, desviando o foco da
fermentação. O aumento da concentração de açúcares, aliado a um tempo
maior de alimentação (diminuição da vazão de entrada de substrato) favoreceu
a produção de etanol, aumentando a produtividade e o rendimento.
A utilização de substratos (melaços) sintéticos demonstram resultados
diferentes dos obtidos quando se utiliza melaços a partir da cana-de-açúcar.
Sabe-se que melaço de cana-de-açúcar, apesar de ser um bom substrato,
contém componentes que podem agir como inibidores no processo de
fermentação alcoólica. Logo, trabalhos que tem como objetivo estudar a
cinética de fermentação em condições industriais, devem usar melaço de cana-
de-açúcar como substrato (ATALA et al. 2001).
ANDRIETTA et al. (2003) considerou também os efeitos da concentração
de biomassa no meio como limitante do crescimento celular (Equação 12).

n m
s  p   x 
  m . . 1    1  
s 2  pm   x m  Equação 12
s  ks 
ki
 44

sendo:
 x m → concentração máxima de biomassa onde cessa o
crescimento microbiano [g/l],
 m → Índice da influência da inibição pela biomassa.

ATALA et al. (2001) e FILHO et al. (2009) consideraram os efeitos da

temperatura em suas simulações e também que a biomassa total é composta
por células vivas (ativas) e células mortas (inativas), pois muitos pesquisadores
concordaram em suas pesquisas que existe uma perda de viabilidade durante
a fermentação alcoólica. O modelo adotado por FILHO et al. (2009) está
mostrado na Equação 13.

n m
s  p   x  xd 
  m . .e ki s .1   .1  v  Equação 13
s  ks  pm   xm 
sendo:
 xv → concentração de biomassa viva no meio [g/l],

 xd → concentração de biomassa morta no meio [g/l].

ATALA et al. (2001) aplicou altas taxas de alimentação de substrato, em

torno de 25 kg/(m³.h), estudando a fermentação em temperaturas de 28ºC a
40ºC, de 3ºC em 3ºC. A produtividade atingiu um máximo em 31ºC, diminuindo
até o mínimo ser atingido a 40º C.
 45

2.7 Métodos de identificação dos parâmetros do modelo

cinético

A identificação dos parâmetros do modelo cinético se baseia em um

Problema de Identificação de Parâmetros ou Problema Inverso (BORGES,
2008). A solução de um problema inverso se reduz a determinar quais as
causas que fundamentaram os efeitos obtidos (ENGL, 1996).
São diversas as formas de modelar matematicamente um sistema, sendo
que uma destas formas é diferenciar pelo conhecimento das leis físicas do
sistema. Para este caso, pode-se separar em modelo de caixa branca, modelo
de caixa cinza e modelo de caixa preta (AGUIRRE, 2007).
Um modelo de caixa branca (white box) é um modelo na qual são
conhecidos de maneira completa o comportamento do sistema, bem como as
leis físicas que o regem.
Um modelo de caixa preta (black box) é aquele no qual não se torna
necessário conhecer profundamente o sistema, tendo o seu conhecimento
obtido de forma empírica.
Modelos do tipo caixa cinza (gray box) são aqueles intermediários, entre
os caixa preta e caixa branca, que utilizam informações auxiliares, às quais não
se encontram no conjunto de dados utilizados durante a identificação
(AGUIRRE, 2007).
As principais etapas de um problema de identificação de sistemas são
(AGUIRRE, 2007):

1. Testes e coletas de dados;

2. Representação matemática adequada;
3. Estrutura do modelo;
4. Determinação dos parâmetros a serem estimados;
5. Validação do modelo através de sensibilidade paramétrica.

Segundo CARRERA et al. (2010), ao determinar o modelo matemático,

através da estimação de parâmetros com dados coletados, apresentam-se
 46

dificuldades associadas a identificação, estabilidade e unicidade dos

parâmetros.
A obtenção dos parâmetros de maneira otimizada pode ser realizada por
Métodos de Otimização Clássicos (ou determinísticos) ou por Métodos de
Otimização Não-determinísticos, também conhecidos como estocásticos ou
randômicos.
Os Métodos Clássicos apresentam vantagem de possuir rápida taxa de
convergência em regiões próximas ao ponto de ótimo, porém podem
apresentar dificuldades numéricas e problemas de robustez, além da
dificuldade de obtenção de aproximações numéricas das matrizes Jacobiana e
Hessiana para casos de alta dimensão (VANDERPLAATS, 1999; EDGAR et al.,
2001).
Os Métodos Não-determinísticos, baseados em conceitos biológicos de
seleção natural, surgiram na década de 1950, porém os estudos dos algoritmos
genéticos conhecidos hoje em dia iniciou-se apenas em 1975, na Universidade
de Michigan, sob a direção de John Holland. Estes métodos apresentam como
características principais não necessitar do uso de derivadas para determinar a
direção da busca e serem capazes de escapar de ótimos locais, o que não
ocorre com os Métodos Clássicos. As principais desvantagens destes métodos
são a variação do seu desempenho em cada execução pelo fato de serem
métodos estocásticos e serem mais dispendiosos computacionalmente do que
os Métodos Clássicos do ponto de vista da avaliação da função objetivo
(VANDERPLAATS, 1999; EDGAR et al., 2001).
A classificação das técnicas utilizadas em otimização pode ser vista na
Figura 3.
 47

Figura 3 – Classificação dos Métodos de Otimização (BORGES, 2008). * Métodos de

Otimização Não Determinísticos são considerados métodos de ordem zero.

Durante a revisão bibliográfica, percebeu-se que são variadas as

metodologias de identificação dos parâmetros, tanto por técnicas
determinísticas como por técnicas não-determinísticas.
THATIPAMALA et al. (1992) aplicou o algoritmo de mínimos quadrados
de Levenberg-Marquadt em dados experimentais realizados em fermentação
batelada alimentada com diversas concentrações iniciais de produto e
substrato, utilizando S. cerevisiae como microrganismo.
LEE et al. (1995) obteve os dados dos coeficientes de rendimento
diretamente pelos dados experimentais. As taxas de crescimento máxima
foram estimadas usando uma spline cúbica suave através de validação
cruzada. As constantes de repressão (ki) e Monod (kg e km) foram obtidas
através de um método estatístico. As concentrações máximas de células e
etanol foram abstraídas por dados prévios de experimentos de culturas
contínuas.
Através de um programa de otimização com técnicas de regressão não-
linear, BARD (1974), GOSWAMI e SRIVASTAVA (2000) estimaram os
parâmetros cinéticos de um modelo não estruturado, utilizando para isso dados
obtidos em um experimento em batelada.
A técnica de sliding mode observers foi utilizada por DRAKUNOV e LAW
(2007) para estimar parâmetros de modelos não lineares. Foram desenvolvidos
 48

e demonstrados observadores para o modelo de Monod. O controle do sistema

deve ser muito robusto, já que incertezas são adicionadas devido à falta de
conhecimento de alguns dos estados do sistema.
Adota-se com mais frequência técnicas não-determinísticas ou modelos
híbridos com técnicas clássicas (BORGES, 2008). Entre os mais relevantes,
citam-se os trabalhos abaixo.
Dados experimentais obtidos com levedura S. diastaticus, que é
altamente tolerante a etanol, em experimentos em batelada e batelada
alimentada foram utilizados para estimar os parâmetros do modelo cinético,
através de Evolução Diferencial Híbrida (HDE) por WANG e SHEU (2000) e
WANG et al. (2001).
KRUMOV et al. (2006) aplicou algoritmo genético (GA) híbrido no
procedimento de obtenção dos parâmetros do modelo não-linear.
A técnica de evolução diferencial (ED) foi utilizada por BORGES (2008)
para estimação dos parâmetros cinéticos, a partir de experimentos em batelada
e batelada alimentada. Justifica-se a escolha desta técnica devido a sua alta
aplicabilidade em variadas áreas do conhecimento. Utilizou-se uma versão
implementada em Matlab por STORN e PRICE (1996).
RIVERA (2006) comparou o desempenho do modelo descrito por ATALA
et al. (2001) quando os parâmetros cinéticos são otimizados usando Algoritmo
Quasi-Newton e Algoritmo Genético de Codificação Real (RGA).
YABARRENA (2012) utilizou algoritmo genético baseado em evolução
diferencial para determinar os parâmetros cinéticos que compõe as equações
diferenciais da cinética da fermentação conduzindo ensaios onde existia
interação entre leveduras e bactérias. Ao finalizar a estimativa dos parâmetros,
avaliou os mesmos através de uma análise de sensibilidade paramétrica.
 49

2.8 Otimização Dinâmica de um processo fermentativo em

batelada alimentada

A abordagem de análise somente faz sentido quando temos um número

reduzido de casos a serem estudados. Aplicar a abordagem de análise para
problemas em que o número de combinações possíveis é muito grande
gastaria tempos impraticáveis. Logo, uma segunda abordagem deve ser
realizada, chamada de otimização, que se caracteriza por uma busca racional
de uma solução, através de algoritmos numéricos, reduzindo assim
drasticamente o tempo para que a solução ótima seja encontrada (SILVA,
2015).
Os problemas de otimização dinâmica (POD) também podem ser
chamados de problemas de controle ótimo (PCO). Tais problemas são
caracterizados por possuírem uma função objetivo que deve ser minimizada ou
maximizada (dependendo da necessidade), à qual pode ou não estar sujeita a
restrições de igualdade ou desigualdade, além de equações diferenciais
ordinárias e parciais, bem como restrições laterais (PFEIFER, 2007). A
automatização da tomada de decisões obtidas com tal ferramenta abre novas
perspectivas de aplicações e vem se tornando uma ferramenta útil para análise
de processos (BORGES, 2008). No caso da fermentação em batelada
alimentada, deseja-se maximizar a produção de etanol através do controle da
vazão de entrada do substrato (LOBATO, 2011).
Segundo BORGES (2008), são várias as estratégias aplicadas para
encontrar curvas de alimentação ótimas de forma a melhorar o desempenho de
processos bioquímicos em batelada alimentada. Entre estas, pode-se citar
Programação Dinâmica Iterativa (IDP), Redes Neurais, Aproximações não
singulares e estratégias evolutivas baseadas em algoritmos genéticos. Com
exceção das redes neurais, as outras estratégias adotam modelos matemáticos
detalhados da cinética e do balanço de massa do sistema.
MODAK et al. (1986) determinou que a fase inicial da alimentação deveria
favorecer o crescimento celular e só então propiciar a formação do produto.
Através do Princípio de Pontryagin (decorrente da imposição de que o
Hamiltoniano de um sistema contínuo com restrições de desigualdade nas
 50

variáveis de controle deve ser minimizado para qualquer conjunto possível

desta variáveis de controle, sendo aplicável a problemas com varrições fortes e
restrições de fim) e da Teoria do Controle Singular, propuseram uma sequência
ótima de taxas de alimentação em função das taxas de crescimento específico,
condições iniciais do processo e formação de produto.
MODAK e LIM (1987) descreveram ume esquema de otimização do tipo
feedback, onde a taxa de alimentação era função não linear das variáveis de
estado.
FU e BARFORD (1993) aplicaram modelagem algébrico-diferencial em
processos de fermentação. A fim de transformar o problema da determinação
da taxa volumétrica de alimentação de substrato em um problema não singular,
derivado da aplicação do princípio máximo de Pontryagin, utilizaram uma
transformação proposta por KELLEY (1965), que reduziu a dimensão do
problema original através de uma transformação de variáveis de estado.
A resolução de um POD com restrições e de um POD simplificado do
processo de fermentação foi feito através de um algoritmo modificado de IDP e
com a utilização de programação quadrática seqüencial para comparar os
resultados (WANG e SHYU, 1997; CHIOU e WANG, 1999). O método da
Evolução Diferencial Híbrida (HDE) aliado ao de atualização dos
multiplicadores foi utilizado para resolver o POD simplificado.
WANG et al. (2001) utilizou o método HDE com a introdução de um
método do tipo Lagrangeano, permitindo que fossem usadas restrições de
desigualdade no problema de otimização. O experimento foi validado
comparando-o com caso de alimentação constante e também com realizando-
se variações na concentração de substrato. Os autores concluíram que a
alimentação ótima, para o caso do modelo utilizado, é mais adequada quando
comparado como perfil de alimentação constante.
LOBATO et al. (2006) e BORGES (2008) utilizaram o princípio de
Pontryagin com a transformação do problema original em um problema de
identificação de fases com índice diferencial flutuante e definindo os
respectivos tempos de troca. Assim o problema original se transformou em
vários problemas definidos por fases, com características definidas pelos
respectivos índices e pela sequência de eventos. Quando comparado aos
resultados da literatura, o desempenho da metodologia desenvolvida foi bom.
 51

2.8.1 Problema Geral da Otimização

Função objetivo é a função que associa cada ponto no espaço de

soluções a um número real. Este número permite quantificar a qualidade de
uma resposta. No caso de minimizações, quanto menor o número obtido,
melhor a resposta. No caso de maximizações, quanto maior o número obtido,
melhor a resposta. O tratamento de problemas de maximização e minimização
na visão matemática é análogo (BISCAIA JR., 2007 apud BORGES, 2008).
O critério de otimização a ser minimizado é a soma dos custos terminal e
integral, conforme a Equação 14 (SMETS et al., 2004).

tf

J [u ]   ( x(t f ), t f )   ( x(t ), u(t ), t )dt ,


t0
custo ter minal   
custo integral Equação 14

 : n  1 e  : n n 1  1
z z u

sendo
 x(t)  vetor das variáveis de estado,
 u(t)  vetor das variáveis de controle.

A Função Objetivo (FO) definida na Equação 14 está sujeita às restrições

mostradas na Equação 15 até Equação 18. Os índices max e min identificam,
respectivamente, os limites superiores e inferiores das variáveis.

g( x, x, u, t )  0 , g :  nz nu 1  
ng
Equação 15

h( x, x, u, t )  0 , h :  nz nu 1   nh Equação 16

xmin  x(t )  xmax , x   nz Equação 17

umin  u(t )  umax , u   nu Equação 18

Segundo BORGES (2008), a formulação de um POD da fermentação em

batelada alimentada deve levar em consideração as seguintes variáveis de
 52

controle, Funções Objetivo e restrições de igualdade e desigualdade, obtidas

na literatura.

2.8.1.1 Variáveis de Controle

Segundo KURTANJEK (1991 apud BORGES, 2008), as variáveis de

controle principais em um processo de fermentação alcoólica em batelada
alimentada são a taxa de alimentação de substrato, a taxa de adição de ácido e
base, a velocidade de agitação e a taxa de fluxo de água em um trocador de
calor. Tais variáveis são as mais controladas pois a concentração de substrato,
o pH e a temperatura são as variáveis que mais se relacionam com o estado da
fermentação.
Para SMETS et al. (2004), procedimentos de otimização de fermentações
em batelada alimentada são tradicionalmente focadas na taxa volumétrica de
alimentação do substrato, mantendo a concentração do substrato de
alimentação com um valor fixo.

2.8.1.2 Funções objetivo

Na Tabela 1 são apresentadas algumas das funções objetivo encontradas

na bibliografia.

Tabela 1 – Funções objetivo empregadas em fermentações alcoólicas conduzidas em

bateladas alimentadas (BORGES, 2008).
Autor FO
 p(t f ) 
J  min   
t f 
MODAK et al. (1986) Equação 19

MODAK et al. (1986) J  min t f  Equação 20

FU e BARFORD(1993)* min J   exp( y 2 (t f )) Equação 21

WANG e SHYU (1997) J  min  p(t f )v (t f )  max p(t f )v (t f ) Equação 22

u(t ) u(t )

max J 
p(tf )v (tf )  p(t 0 )v (t 0 )
WANG et al. (2001) Equação 23
u ( t ),tf tf
 53

SMETS et al. (2004) J  min  p(t f ) Equação 24

*y2=(pv)

2.8.1.3 Restrições de Igualdade e Desigualdade

Resultados impossíveis podem ser obtidos em otimizações se não forem

inseridas condições de restrição. Esta situação depende da variável de controle
escolhida para o POD. BORGES (2008) realizou o levantamento das restrições
encontradas na literatura, que estão apresentadas na Tabela 2.

Tabela 2 – Restrições impostas no Problema de Otimização Dinâmica envolvendo

fermentação alcoólica em batelada alimentada (BORGES, 2008).
Autor Restrições
FU e y p / s ds y p / s s
  Equação 25
BARFORD(1993)* x dt x t
umax
COSTA (1996)** 0  D( t )  Equação 26
v (t )

0  u(t )  umax Equação 27

g 1  v (t )  v f  0 Equação 28
g 2  s(t )  0 Equação 29
WANG e SHYU
(1997) p(t )v (t )  p0v 0
g3  y 0
v (t )  v 0 sF  v 0s0  v (t )s(t ) p / s Equação 30

g 4  p(t f )  pf  0 Equação 31

WANG et al. (2001) g5  s(t )  sr  0 Equação 32

* = Produtividade Específica
**(apud BORGES, 2008)

2.9 Controle Não-Linear H∞

O controle não-linear H∞ consiste em garantir um nível pré-definido de

atenuação dos efeitos de distúrbios na saída do sistema a ser controlado.
 54

Existem duas abordagens fundamentais nesta classe de controladores, sendo

a primeira baseada em teoria dos jogos e a segunda baseada em técnicas de
sistemas lineares a parâmetros variantes (LPV) (SIQUEIRA et al, 2011).
A abordagem baseada em técnicas do tipo LPV fornece uma metodologia
sistemática para atingir o desempenho do controle Não-Linear H∞. A dinâmica
não linear pode ser representada como um sistema LPV onde cada parâmetro
é função do estado, nomeado de representação quasi-LPV (SIQUEIRA et al,
2011).
Técnicas de realimentação linearizante vem sendo utilizadas na solução
de problemas práticos de controle ótimo, como em controle de aviões, robôs e
equipamentos de precisão. Porém, a necessidade de um modelo que
represente de maneira concreta a dinâmica a ser controlada limita a sua
aplicação. A obtenção da dinâmica linearizada pode ser executada de duas
formas, seja por realimentação de estados ou por realimentação da saída
(PIMENTEL e COUTINHO, 2012; SIQUEIRA et al, 2011).

2.10 Controle H∞ via inequações matriciais lineares

O projeto de controladores baseado em realimentação de estados e

realimentação da saída é concebido a partir de sistemas LPV cujo
procedimento de controle é sintetizado em termos de inequações matriciais
lineares (LMI’s). Para estes casos, a solução de um problema de otimização
convexa através de um conjunto de LMI’s leva a obtenção de um ganho de
controlador que é variante no tempo (ROHR, 2009; SIQUEIRA et al, 2011).
Nesta abordagem, o problema de otimização se baseia num sistema não
linear com perturbações exógenas w  p, a entrada de controle u  m e a
variável de saída z  q, mostrado na Equação 33.

x  f ( x )  b1( x )w  b2 ( x )u,
Equação 33
z  h( x )  d1( x )w  d 2 ( x )u,

sendo f(0) = 0 e h(0) = 0, e x  n as variáveis de estado. Assume-se que f(•),

bi(•), h(•), di(•) são funções contínuas e diferenciáveis.
 55

O desempenho do sistema representado na Equação 33 é definido

ajustando-se o controlador para garantir que o ganho L2 entre o distúrbio e a
saída Equação 34 seja satisfeito.

T T
 z(t ) dt   2  w (t ) dt ,
2 2
Equação 34
0 0

para todo T≥0 e todo w  L2 (0,T) com o sistema iniciando em x(0)=0.

ROHR et. al (2009) propuseram uma técnica baseada na escolha de

uma dinâmica livre resultando em uma realimentação linearizante, para que a
lei de controle linearizante possuísse certa robustez, considerando sistemas
não lineares. No caso, foi utilizada uma função quadrática e inequações
matriciais lineares (LMI’s) dependendo do estado de forma a garantir robustez
na estabilidade do sistema de controle devido a existência de incertezas na
determinação dos parâmetros do modelo matemático.
Vale frisar que LMI’s vem sendo utilizadas na formulação de problemas
de controle desde o final da década de 1980 e, desde então, muitos trabalhos
da teoria de controle e sistemas tem sido reescrito na forma de LMI’s (BOYD et
al., 1994).
Aplicar diretamente técnicas LMI’s em sistemas não-lineares gera
inequações não lineares (NLMI’s). Uma maneira de contornar este problema é
modelar as não linearidades do sistema como parâmetros variantes no tempo,
denominada representação quasi-LPV (PIMENTEL e COUTINHO, 2012;
SIQUEIRA et al, 2011).

2.11 Controle H∞ por representação quasi-LPV

Esta seção apresenta o projeto de um controlador robusto por

representação quasi-LPV.
Considere um sistema LPV dado pelas seguintes equações de estado
(Equação 35):
 56

x  A(θ(t ))x  B1(θ(t ))w  B2 (θ(t ))u,

y  C1(θ(t ))x, Equação 35
z  C2 (θ(t ))x  Iu.

sendo x o vetor de estados, u o vetor de entradas de controle, w o vetor de

entradas externas, y e z as variáveis de saída e (t) o vetor de parâmetros
variantes. Considere que o parâmetro subjacente (t) varia conforme o conjunto
dado pela Equação 36:

  
FP   (t )  C1 n , m :  (t )  P,   v i
v
 Equação 36

para i variando de 1 a k, onde P  m é um conjunto compacto.

O problema de controle por realimentação de estados considerado visa

encontrar uma função contínua F() tal que o sistema realimentado tenha um
ganho L2 menor ou igual a  sob a lei de realimentação de estado u  F ( )x .
Logo, se existe uma função matricial contínua e diferenciável dada por
X ( (t ))  0 , que satisfaça a Equação 37.

 E ( (t )) X ( (t )).C1 ( (t )) B1( (t ))

T

 
C1( (t )) X ( (t )) I 0 0 Equação 37
 B T ( (t )) 0   2
I 
 1

sendo,
m
 X ( (t )) 
E ( (t ))    v i ( )   B2 ( (t ))B2T ( (t )) 
i 1   i  Equação 38
 
A( (t )) X ( (t ))  X ( (t ))A( (t ))T
e

A( (t ))  A( (t ))  B2 ( (t ))C2 ( (t )) Equação 39

Sendo o ganho L2   , a lei de controle de realimentação de estado

será:
 57

u(t )  (B2 ( (t ))X 1( (t ))  C2 ( (t )))x(t ) Equação 40

A solução do conjunto de LMIs caracteriza um problema de otimização

convexo e infinitesimal, que possui dificuldade de ser resolvido numericamente.
Baseado em funções base associadas a X((t)) e aos parâmetros definidos P,
reescrevendo as funções base C1, tem-se a Equação 41 :

M
X (θ)   i (θ )X i , Equação 41
i 1

sendo X i  S nxn a matriz dos coeficientes para ( (t )) . Aplicando a matriz

X ( (t )) na Equação 37, as restrições se transformam em uma LMI em função

das variáveis matriciais X i i 1 , onde o parâmetro  (t ) é fixado, podendo ser

M

definido o seguinte problema de otimização (Equação 42):

min 2
  Xi
M
i 1

Sujeito a:

 M

E ( )   (θ ) X C ( ) B1( )
T
 j j 1
 j 1

C ( )  (θ ) X 0   0
M
Equação 42
 1  j 1
j j I
 
B1 ( )   2I 
T
 0
 
M

 j (θ )X j  0
j 1

sendo,

 m
X ( (t )) 
E ( (t ))    v i ( )   B2 ( (t ))B2T ( (t )) 
i 1   i 
Equação 43
  

m

 j 
i 1
( ( t ))( A ( ( t )) X j ( ( t ))  X j ( ( t )) A ( (t ))T )
 58

COUTINHO et al. (2009) propôs uma estratégia de controle robusto para

otimizar o controle de multiplicação de S. cerevisae em batelada alimentada. A
dinâmica do processo foi caracterizada por um modelo cinético não linear
baseado em inibição por etanol por um possível valor excessivo de alimentação
de substrato. A estratégia de controle foi baseada em uma técnica de
linearização de realimentação, onde a dinâmica livre linear resultante é
projetada para garantir certa robustez a variação de parâmetros da planta.
Experimentos numéricos demonstraram o potencial da aproximação proposta
como uma ferramenta para o projeto de controladores para culturas baseadas
em sistema de batelada alimentada.
ZHU e XU (2008) propuseram um modelo LPV baseado em modelos
lineares mistos e adicionando pesos no lado das entradas. HUANG et al.
(2012) estudou o funcionamento de um modelo de identificação múltiplo LPV
usando várias funções de peso com duas variáveis programadas.
BACHNAS et al. (2013) utilizou abordagens locais e globais de LPV
comparando-os em um modelo obtido empiricamente para uma coluna de
destilação de alta pureza. Mostrou-se que os esquemas de interpolação locais,
especialmente esquemas de interpolação de saída utilizando dados
descrevendo a dinâmica transiente do sistema, conseguiram uma aproximação
adequada do comportamento de entrada e saída.
 59

Capítulo 3

Neste capítulo será apresentada a descrição do procedimento para

identificação dos parâmetros do modelo matemático do processo de
fermentação alcoólica em batelada alimentada. Uma levedura industrial foi
utilizada nos ensaios (experimentos) de fermentação e seu modelo matemático
extraído. Descreve-se a metodologia utilizada na modelagem em variáveis de
estado do sistema dinâmico composto pela variação do substrato, do produto,
da concentração celular e do volume no tempo. A forma como são estimados
os parâmetros cinéticos por um algoritmo Quasi-Newton, implementada na
toolbox de identificação de sistemas, utilizando Matlab® é detalhada, bem como
as variantes do processo. Será então descrita a otimização dinâmica do
processo, através de técnicas de sistemas lineares a parâmetros variantes
(LPV). Controladores baseados em sistemas LPV eficientes podem ser obtidos
com precisão e baixa complexidade do modelo LPV a partir do comportamento
básico do sistema.

3 Procedimento para identificação dos parâmetros do

modelo matemático e da otimização dinâmica

Os experimentos foram conduzidos de maneira a se aproximarem o

máximo possível da metodologia adotada no processo industrial. Levedura
PE – 2, utilizada nos experimentos, foi multiplicada nos laboratórios da
empresa Fermentec (FERMENTEC TECNOLOGIAS EM ACUCAR E ALCOOL
LTDA.), como cortesia.

3.1 Condições de teste e procedimento experimental

As fermentações foram conduzidas em garrafas (biorreatores) de volume

total 3000 ml. O inóculo usado (pé de cuba) tinha um volume total de 625 ml,
 60

composto de 250 g de levedura, 312 ml de água e 63 ml de vinho, totalizando

25% do volume total do vinho. O mosto foi composto de melaço e água
(concentração de 20% de açúcares), com pH de 4,5. O volume final de vinho
esteve próximo de 2500 ml. Foram realizados dois ciclos, cada um composto
por 9 (nove) biorreatores (Figura 4), igualmente distribuídos em 3 temperaturas
(30º C, 33º C e 36º C). Foram realizadas 6 alimentações espaçadas de 1 hora
(1 x 325 ml e 5 x 310 ml) em cada fermentação, totalizando 5 horas de
alimentação, como é usual nas indústrias para esta concentração de açúcar
(AMORIM, 2005).

Figura 4 – Nove biorreatores igualmente distribuídos em 3 temperaturas (30°C, 33°C e

36°C) controladas individualmente.

A Figura 4 mostra o controle de temperatura dos biorreatores, realizado

individualmente utilizando controladores de temperatura comerciais (MT-512Ri,
da Full Gauge Controls). Lâmpadas Dicróicas foram utilizadas para executar o
aquecimento do vinho até que a temperatura desejada fosse atingida.
O peso do vinho foi medido utilizando-se balanças de precisão, que
transmitiam as medições para um computador, gravando os dados
instantaneamente.
 61

O primeiro ciclo serviu apenas para criar o reciclo de levedura, fazendo

com que o teste se aproximasse o máximo possível da realidade
experimentada nas plantas industriais. Devido a este fato, nenhuma amostra foi
retirada no processo, bem como nenhum tratamento ácido (ajuste de pH)
efetuado neste primeiro ciclo.
No segundo ciclo, foi efetuado um tratamento ácido (pH 2.5 por 1,5 horas,
usando 1,8 g H2SO4) e amostras de aproximadamente 20 ml foram coletadas
ao início do processo e a cada hora, até que 9 horas de fermentação fossem
atingidas. Para cada amostra, foram executadas análises de etanol, biomassa,
açúcar residual, densidade e viabilidade (população de células vivas).

3.2 Análises Microbiológicas

Dentre as análises microbiológicas realizadas estão a viabilidade celular e

a quantidade de biomassa existente.
A viabilidade celular revela a porcentagem de células viáveis (ou vivas)
em relação às células totais existentes, através da contabilização de células
vivas e mortas. Através da viabilidade celular é possível identificar as
condições da fermentação, sendo que valores muito baixos (ou muito altos)
indicam que ações corretivas devem ser tomadas. A metodologia empregada
utiliza um corante chamado eritrosina, que colore células mortas com a cor
rosa e não colore as células vivas, conforme pode ser visto na Figura 5
(OLIVEIRA, 1996; AMORIM, 2005; FERMENTEC, 2014a).

Figura 5 - Células de levedura ao microscópio óptico sob ação do corante eritrosina

(Fonte: FERMENTEC, 2014a).
 62

A eritrosina utilizada foi preparada em duas etapas:

 Solução estoque: solução a partir da qual foi preparada a solução

trabalho.
 Solução trabalho: solução utilizada para corar as lâminas,
preparada diluindo-se a solução estoque em uma solução tampão
fosfato.

As soluções de eritrosina e o tampão fosfato apresentam grande

facilidade de contaminação, sendo necessário a sua substituição em caso de
isto ocorrer (FERMENTEC, 2014a).
O preparo da solução estoque de eritrosina se deu pela pesagem de 0,1 g
de eritrosina dissolvida em 10 ml de água esterilizada. A solução foi
conservada em frasco âmbar, fora do alcance da luz e em refrigeração.
A solução tampão fosfato foi preparada em duas soluções que
posteriormente são misturadas. Em uma primeira solução, diluiu-se 17,9 g de
Na2HPO4 em 250 ml de água destilada. A segunda solução foi preparada
dissolvendo-se 6,89 g de NaH2PO4 em 250 ml de água. Após o preparo das
duas soluções, as mesmas foram misturadas, autoclavadas e conservadas sob
refrigeração.
O preparo da solução trabalho de eritrosina se deu pela adição de 0,1 ml
da solução estoque de eritrosina para cada 5 ml de tampão fosfato. O volume
de trabalho preparado foi o suficiente para uma semana de uso, sendo que
uma parte de seu volume foi transferido para um tubo de ensaio todo dia que o
mesmo foi utilizado. O volume restante, após o final do trabalho foi descartado.
Após a realização da preparação da solução de trabalho, realizou-se o
preparo da amostra. Transferiu-se 5 ml de uma amostra de vinho bruto para um
tubo de ensaio, adicionando-se papaína para desflocular a amostra.
Homogeneizou-se a amostra, aguardando 5 minutos e realizando uma nova
homogeneização. Para adequar a contagem de células ao menor erro da
metodologia, realizou-se a diluição de 1 ml de amostra de vinho em um tubo de
ensaio contendo 14 ml de água. Desta amostra, novamente homogeneizada,
retirou-se uma amostra de 1 ml diluindo-a em 1 ml da solução trabalho de
eritrosina, dentro de um tubo de ensaio, realizando-se uma nova
 63

homogeneização. Neste caso, a diluição final foi de 30 vezes (15 vezes na

primeira e 2 vezes na segunda diluição).
Preparada a amostra, aproximadamente 10 l da amostra final diluída foi
transferida para uma Câmara de Neubauer1 (Figura 6). A Câmara de Neubauer
utilizada apresenta as seguintes características:
 Profundidade: 0,1 mm
 Número de quadrículos: 25
 Número de retículos em cada quadrículo: 16
 Número de retículos em cada câmara: 400
 Área do retículo: 0,0025 mm2
 Volume de líquido em cada retículo: 0,00025 mm3
 Volume total da câmara: 0,1 mm3

Figura 6 – Câmara de Neubauer utilizada na contagem de células de levedura (Fonte:

FERMENTEC, 2014a).

As células (vivas, mortas e brotamentos) foram contadas nos 4 retículos

do centro, dos 25 quadrículos, utilizando a objetiva de 100 vezes (Figura 7).

Figura 7 – Câmara de Neubauer apresentando os locais onde deve ser realizada a

contagem (Fonte: FERMENTEC, 2014a).

1
A Câmara de Neubauer é uma lâmina grossa para uso utilizando um microscópico. Possui formato
retangular e geralmente é fabricada em vidro. Uma depressão no centro é utilizada para realizar a
contagem de células por unidade de volume de uma amostra diluida.
 64

Contadas as células viáveis, não viáveis e brotos, procede-se para o

cálculo de viabilidade (Equação 44) e de brotamento (Equação 45).

Total Células Viáveis

% Viabilida de = x100
Total Cél. (Viáveis + Não Viáveis) Equação 44

Total Brotamento s Viáveis

% Brotamento = x100
Total Cél. Viáveis Equação 45

A quantidade de leveduras/ml existente foi determinada pela Equação 46,

na qual se consideram apenas as células viáveis, aderindo ao modelo
matemático definido.

Total Células Viáveis x 400

Leveduras/ ml = x 10000 x Diluição Final
Total Retículos Contados
Equação 46

A massa de levedura existente na amostra foi contabilizada através de

centrifugação da amostra coletada e pesagem do volume referente à biomassa.

3.3 Análises Químicas

As análises químicas realizadas foram de determinação de açúcares,

densidade do vinho e teor alcoólico do vinho.

3.3.1 Determinação da concentração de glicose, frutose, sacarose,

manitol e glicerol por cromatografia de troca aniônica

As análises de açúcares foram realizadas através de um Cromatógrafo de

íons (BioLC) equipado com detector amperiométrico (ED50) e coluna PA
Dionex®. Os dados foram coletados através de um software de integração
 65

(Chromeleon v6.60) associado a uma balança analítica (precisão de 0,1 mg) e

uma balança de precisão (precisão de 10 mg). A operação foi realizada com
Eluente hidróxido de sódio (NaOH) 400 mM, com vazão controlada de 1 ml/min.
A calibração do sistema é realizada utilizando-se os seguintes padrões:

 Glicerol com teor mínimo de 99,5%;

 Glicose com teor mínimo de 99% (anidra ou monohidratada);
 Frutose com teor mínimo de 99%;
 Sacarose com teor mínimo de 99,5%;
 Manitol com teor mínimo de 99%;
 Maltose com teor mínimo de 99% (anidra ou monohidratada);
 Glicosamina com teor mínimo de 99% (Padrão interno);
 Trealose dihidratada com rotação específica de (178 ± 2)º;
 Lactose anidra P.A. com teor mínimo de 99%;

Para cada amostra obtida do experimento, uma sub-amostra foi coletada

e homogeneizada, passando por filtração em algodão e papel de filtro
qualitativo para remoção de partículas grosseiras. Por ser uma técnica de
precisão elevada (sensibilidade  10-12), foi necessário um cuidado permanente
nas diluições e preparos da amostra, já que a amostra deve estar dentro da
faixa de calibração descrita anteriormente (FERMENTEC, 2014b).

3.3.2 Determinação da concentração de Açúcares Redutores Totais

em amostras de mosto.

Foi utilizado um eletrodo de oxi-redução (Pt805 – K7 INGOLD) e um

aparelho de titulação Redutec. Os equipamentos foram calibrados usando
Solução de estoque de açúcar invertido 1%(m/v) – conhecida como padrão de
AR.
 66

3.3.3 Determinação do teor de sólidos solúveis dissolvidos na

amostra pela medida de densidade em mosto.

A determinação da densidade foi realizada através de um densímetro

digital Anton Paar, com temperatura interna controlada. A obtenção da solução
hidroalcoólica condensada foi realizada por destilação por arraste de vapor,
através de um micro-destilador.

3.4 Cálculos de Taxas de Conversão, Produtividade e

Rendimento

A taxa de conversão de substrato em biomassa celular (yxs [g/g]) e a taxa

de conversão de substrato (açúcar) em produto (etanol) (yps [g/g]) foram
obtidas de acordo com a Equação 47 e Equação 48, respectivamente. A
produtividade (Qp [g/(l.h)]) foi calculada de acordo com a Equação 49.

pt v t   p0v 0
y ps 
v t   v 0 sF  v 0s0  v t st  Equação 47

x t v t   x0v 0
y xs 
v t   v 0 sF  v 0s0  v t st  Equação 48

pF  p0
Qp  Equação 49
tF

sendo:
 p0 → Concentração de etanol no instante inicial [g/l],
 v0 → Volume de vinho no instante inicial [l],
 s0 → Concentração do substrato no instante inicial [g/l],
 x0 → Concentração de biomassa no instante inicial [g/l],
 p(t) → Concentração de produto no instante t [g/l],
 v(t) → Volume preenchido do biorreator no instante t [l],
 s(t) → Concentração de substrato no instante t [g/l],
 x(t) → Concentração de biomassa no instante t [g/l],
 67

 sF → Concentração do substrato entrante [g/l],

 pF → Concentração de produto ao final do processo [g/l],
 tF → Tempo total de fermentação [h].

O Rendimento Fermentativo foi calculado baseado na Equação 50 e

Equação 51, para cada um dos experimentos realizados (FERMENTEC,
2014b).

RF  f .Vv  0,697.VF .EtOH  Vva  0,697.VFa .EtOHa  Vr .EtOH Equação 50

10000
f  Equação 51
64,75 . Vmosto . ARTmosto (p/v)

sendo:
 f → fator dependente do Açúcar Total do mosto e volume
alimentado, calculado pela Equação 51,
 Vmosto → Volume de mosto alimentado [l],
 ARTmosto(p/v) → ART do mosto [%],
 Vv → Volume de vinho centrifugado[l],
 VF → volume de fermento [l],
 EtOH → Teor Alcoólico [%],
 Vva → Volume de vinho da fermentação anterior (que foi retornado
após centrifugação) [l],
 VFa → volume de fermento da fermentação anterior [l],
 EtOHa → Teor Alcoólico da fermentação anterior (ciclo anterior)
[%],
 Vr → volume de amostra retirado para análises - quando for
considerável [l].
 68

3.5 Obtenção do Modelo Matemático utilizando MATLAB®

O uso dos princípios básicos da física, química e biologia são comuns na

construção de modelos dinâmicos. Construir um modelo matemático completo,
consistente e compacto baseado no conhecimento de especialistas pode se
tornar uma tarefa complexos, devido à dificuldade de distinguir parâmetros
cujos efeitos são relevantes daqueles que podem ser ignorados (TOTH et al,
2012).
Neste trabalho, um algoritmo não-linear de mínimos quadrados é usado
para estimar os parâmetros da levedura PE-2, usando o modelo dinâmico
mostrado nas Equações 63 a 68, considerando a inibição pelo produto e pelo
substrato.
A obtenção do modelo matemático da fermentação em batelada
alimentada foi obtido através do programa MATLAB ®, utilizando-se a
ferramenta de identificação de sistemas (System Identification Toolbox). Por se
tratar de um modelo não linear, utilizou-se a função idnlgrey, responsável por
representar um modelo não linear do tipo grey-box (Modelo Caixa Cinza).
Os dados obtidos nos experimentos foram tabulados e organizados, de
forma a permitir a obtenção do modelo matemático.
Os valores de concentração do substrato entrante, taxa de conversão de
substrato em biomassa e taxa de conversão de substrato em produto foram
consideradas constantes no tempo, ou seja, considerou-se que uma
determinada cepa de levedura possui como características intrínsecas os
parâmetros yps e yxs e que a concentração do substrato entrante não variou
durante o período em que ocorreu a alimentação do biorreator.
Os “chutes” iniciais, necessários para a obtenção do modelo, foram
baseados na literatura existente (LOBATO et al., 2006; BORGES, 2008).
Implementou-se um loop simulando a alimentação do sistema, adotando-
se uma vazão constante como padrão. Ao cessar a alimentação, a variação do
volume do biorreator foi considerada desprezível, já que, em todos os casos, a
variação de volume preenchido do biorreator foi menor do que 1%.
O modelo matemático, descrito na Seção 2.6, utilizando a Equação 12
como função referente ao crescimento celular, foi implantado
 69

computacionalmente no MATLAB®. Adotou-se como número de saídas do

modelo (Ny=4), número de entradas do modelo (Nu=0) e número de estados
(Nx=4). Os dados iniciais de concentração de substrato, produto e biomassa,
bem como o volume inicial do biorreator, foram obtidos a partir dos dados
experimentais, sendo utilizados diretamente na obtenção do modelo
matemático.
A solução das equações diferenciais foi executada usando três diferentes
métodos (FORSYTHE et al, 1977):

 Forward Euler's Method: Método de primeira ordem, apresenta

muita instabilidade e erro global proporcional ao tamanho do passo.
 Runge-Kutta 23: Utiliza um par simples de fórmulas de segunda e
terceira ordem com precisão mediana.
 Runge-Kutta 45: Utiliza um par de quarta e quinta ordem para uma
maior precisão. Como este método utiliza fórmulas de ordem
superior, geralmente leva menos passos de interação e tem uma
velocidade maior na solução do problema.

Para cada um dos métodos aplicados, foi efetuada uma avaliação da

aproximação do resultado com o valor dos dados experimentais. Duas curvas,
considerando uma faixa de 2% com relação aos dados experimentais foram
traçadas, de maneira a verificar o grau de aproximação dos dados.
Os parâmetros calculados pelos métodos acima mencionados foram
salvos e então comparados para que se pudesse realizar a escolha do melhor
e mais eficaz método a ser aplicado na otimização.
 70

3.6 Aplicação da técnica quasi-LPV utilizando MATLAB®

O controlador H∞ via representação quasi-LPV é determinado via os

seguintes passos.
O estado é definido como:
x
s
X 
p
v

sendo:
 x → concentração de biomassa [g/l],
 s → concentração de substrato [g/l],
 p → concentração de produto [g/l],
 v → volume preenchido do biorreator [l].

Define-se como os parâmetros variantes a concentração de substrato no

biorreator (s) e o volume (v), ou seja:

s
 .
v

Estas variáveis foram definidas como parâmetros variantes, pois podem

ser medidas com relativa facilidade durante o processo de fermentação em
relação às variáveis x e p.
 71

Assim as matrizes dinâmicas A(), B1(), B2(), C1() e C2() são

computadas ponto a ponto, através da Equação 52 a Equação 54, com base na
Equação 4 a Equação 9 e Equação 11, sendo que a entrada de controle u
corresponde à vazão por unidade de volume.

 ( ) 0 0 0
 (  ( )) 0 0 0
A( )  Equação 52
 (  ( )) 0 0 0
0 0 0 0

x
s  s( )
B1( )  B2 ( )  F Equação 53
p
v ( )

1 0 0 0
0 1 0 0
C1  e C2  0 0 0 0 Equação 54
0 0 1 0
0 0 0 1

O sistema então é implementado na forma matricial. Utilizando-se a

função SCONNECT do MATLAB ®, calcula-se a matriz P do sistema referente a
planta aumentada, P(s), associada com a estrutura de controle dada.
O segundo passo no procedimento de projeto do controlador é o cálculo
da matriz Xi que define o controlador em si. Estas matrizes definem o conjunto
de LMI’s (Equação 42 e Equação 43). O número de variáveis Xi é especificado
pelo número de funções (θ), dependentes dos parâmetros variantes.
Neste trabalho, as funções (θ) utilizadas foram as descritas conforme a
Equação 55.

1( )  1
2 ( )  s( ) Equação 55
3 ( )  v ( )
 72

O valor de  foi calculado conforme a Equação 39. As LMI’s foram obtidas

baseadas na Equação 42, onde o termo E foi obtido da Equação 43.
A solução do conjunto de LMIs foi encontrada usando-se o toolbox de
Matlab® desenvolvido por GAHINET et al. (1995), obtendo-se da sua solução
os valores dos ganhos do controlador.
A lei de controle utilizada está descrita na Equação 56, sendo baseada na
Equação 40.

u(t )  (B2 X 1 ).x(t )

T

Equação 56
X  (1.X1  2 .X2  3 .X3 )

sendo X1, X2 e X3 os valores dos ganhos calculados na solução do conjunto de

LMIs.
 73

Capítulo 4

Neste quarto capítulo deste trabalho serão apresentados, em ordem

similar ao Capítulo 3, os resultados obtidos durante o desenvolvimento da
modelagem e otimização de uma fermentação alcoólica em batelada
alimentada. Em um primeiro momento, serão apresentados os dados
experimentais obtidos e uma análise sobre os mesmos. Será então
apresentados os resultados da modelagem matemática, contendo tabelas e
gráficos referentes ao modelo obtido, bem como uma comparação com outros
resultados obtidos na literatura. Por fim, realizar-se-á o desenvolvimento da
otimização do controle de alimentação, demonstrando os resultados obtidos e
comparando-se com os dados experimentais realizados.

4 Resultados Experimentais, Modelagem Matemática e

Otimização do Processo de Fermentação Alcoólica
em Batelada Alimentada

4.1 Condições de teste e procedimento experimental

Como descrito no Capítulo 3, foram executados 2 ciclos, cada um

composto por 9 biorreatores igualmente distribuídos em 3 temperaturas (30ºC,
33ºC e 36ºC).
Foram coletadas amostras, para cada um dos biorreatores, com valor
médio de 21,96  1,97 ml. Para cada uma destas amostras foram realizados as
seguintes análises:

 Viabilidade e Brotamento
 Biomassa
 Etanol
 74

 pH
 Açúcares
 Glicerol
 Manitol

Os dados serão aqui apresentados para permitir a reprodutibilidade dos

resultados, auxiliando em outras pesquisas referentes ao assunto.

4.1.1 Análises Microbiológicas

Na Tabela 3 e Tabela 4 e na Figura 8 estão apresentados os dados

referentes a viabilidade celular, ou seja, a quantidade de células vivas
existentes em relação a quantidade de células totais, cujo cálculo foi realizado
através da Equação 44. Nestas mesmas tabelas (Tabela 3 e Tabela 4) é
apresentado um detalhamento quanto aos brotamentos existentes, calculados
conforme Equação 45. Em ambas as tabelas, são identificados o ciclo, a
temperatura e o biorreator referente.

Tabela 3 – Viabilidade e Brotamento no 1º Ciclo

1° CICLO
Células Células Viabilidade Brotamento
Tratamento Biorreator Brotos
Vivas Mortas % %
1 360 4 98,9 29 8,1
30°C 2 413 5 98,8 22 5,3
3 241 2 99,2 16 6,6
Média 99,0 6,7
4 361 7 98,1 38 10,5
33°C 5 265 1 99,6 37 14,0
6 297 6 98,0 31 10,4
Média 98,6 11,6
7 272 2 99,3 72 26,5
36°C 8 302 3 99,0 81 26,8
9 291 6 98,0 44 15,1
Média 98,8 22,8
 75

Tabela 4 – Viabilidade e Brotamento no 2º Ciclo

2° CICLO
Células Células Viabilidade Brotamento
Tratamento Biorreator Brotos
Vivas Mortas % %
1 557 9 98,4 20 3,6
30°C 2 358 3 99,2 25 7,0
3 201 4 98,0 19 9,5
Média 98,5 6,7
4 271 6 97,8 20 7,4
33°C 5 301 4 98,7 7 2,3
6 210 11 95,0 56 26,7
Média 97,2 12,1
7 360 12 96,8 103 28,6
36°C 8 278 12 95,9 90 32,4
9 270 10 96,4 53 19,6
Média 96,4 26,9

Viabilidade (%)
100

99
Viabilidade %

98 30°C
33°C
97 36°C

96

95
ini 1 2
Ciclos

Figura 8 – Comparação referente à Viabilidade nos dois ciclos e nas três temperaturas
utilizadas durantes os procedimentos experimentais.

O segundo ciclo, por possuir um ambiente considerado mais desfavorável

a levedura, apresentou uma taxa de viabilidade menor, sendo que a
temperatura de 36ºC foi aquela na qual houve a maior variação de viabilidade
do primeiro para o segundo ciclo.
 76

As concentrações de biomassa presentes nos biorreatores foram

estimadas a partir das amostras coletadas ao final da fermentação. Tais
amostras foram centrifugadas e então pesadas. As tabelas a seguir (Tabela 5,
Tabela 6 e Tabela 7) e a Figura 9 apresentam os resultados deste
procedimento.

Tabela 5 – Concentração média de biomassa [g/l] existente nos biorreatores cuja

temperatura foi mantida em torno de 30ºC

30°C
Tempo Biomassa [g] Amostra [ml] Biomassa [g/l]
0h 5,38 22,99 234,02
1h 4,73 23,55 200,83
2h 3,51 20,69 169,55
3h 3,31 24,15 137,20
4h 2,88 23,27 123,78
5h 2,61 25,76 101,36
6h 2,32 23,69 98,09
7h 2,12 20,77 102,21
8h 2,14 20,89 102,27
9h 2,17 20,67 105,13

Tabela 6 – Concentração média de biomassa [g/l] existente nos biorreatores cuja

temperatura foi mantida em torno de 33ºC

33°C
Tempo Biomassa [g] Amostra [ml] Biomassa [g/l]
0h 5,22 20,76 251,40
1h 4,03 19,76 203,74
2h 4,12 25,79 159,66
3h 3,21 20,94 153,18
4h 2,81 22,25 126,44
5h 2,37 22,87 103,77
6h 2,23 21,93 101,83
7h 2,01 21,51 93,49
8h 2,02 20,87 96,95
9h 2,16 20,02 108,06
 77

Tabela 7 – Concentração média de biomassa [g/l] existente nos biorreatores cuja

temperatura foi mantida em torno de 36ºC

36°C
Tempo Biomassa [g] Amostra [ml] Biomassa [g/l]
0h 5,08 26,73 190,07
1h 3,76 22,38 167,86
2h 2,66 17,84 148,84
3h 2,68 21,77 122,99
4h 2,33 22,75 102,29
5h 2,09 21,03 99,37
6h 2,06 20,86 98,74
7h 2,13 22,49 94,86
8h 2,04 19,62 104,16
9h 2,09 20,16 103,84

Biomassa
280

275

270
Biomassa [g]

265 30°C
33°C
260
36°C
255

250

245

240
ini 1 2

Ciclos

Figura 9 - Comparação referente à quantidade de Biomassa nos dois ciclos e nas três
temperaturas utilizadas durantes os procedimentos experimentais.

Nas três temperaturas analisadas houve aumento da quantidade de

Biomassa [g] quando comparado com a quantidade inicial. Porém, com o
 78

aumento da temperatura, houve uma tendência a menor reprodução celular,

como pode ser visualizado na Figura 9.

4.1.2 Análises Químicas

Utilizando a metodologia descrita na Seção 3.3 deste trabalho, foram

realizadas análises de concentração de Etanol, pH, Açúcares, Glicerol, Manitol
e densidade dos vinhos.
A Tabela 8 apresenta a concentração média de Etanol para cada uma das
temperaturas analisadas.

Tabela 8 – Variação da Concentração média de etanol nas amostras de vinho coletadas

para cada uma das temperaturas analisadas.

Temperatura (ºC)
30ºC 33ºC 36ºC
Tempo
Etanol [g/l] Etanol [g/l] Etanol [g/l]
0h 34,467 34,467 34,667
1h 67,500 67,633 64,700
2h 77,333 77,533 71,533
3h 84,167 85,000 82,200
4h 85,400 85,200 85,867
5h 86,533 89,767 87,533
6h 86,533 87,200 88,567
7h 94,533 96,767 99,100
8h 102,667 102,133 102,267
9h 104,433 104,133 103,333

A Tabela 9 apresenta os valores de pH para cada um dos ciclos

executados.
A variação da quantidade de açúcares redutores totais (ART) está
apresentada na Tabela 10.
 79

Tabela 9 – Valores de pH para cada um dos biorreatores e cada um dos ciclos

executados.

pH

Tratamento Biorreator 1º Ciclo 2º Ciclo

1 5,24 5,13
30°C 2 5,13 5,16
3 5,38 5,18
Média 5,25 5,16
4 5,52 5,06
33°C 5 5,37 5,08
6 5,20 5,14
Média 5,36 5,09
7 5,14 5,17
36°C 8 5,13 5,09
9 5,12 4,97
Média 5,13 5,08

Tabela 10 – Variação da quantidade de Açúcares Redutores Totais (ART) [g/l] para cada
uma das temperaturas analisadas.

Temperatura (ºC)
30ºC 33ºC 36ºC
Tempo
ART [g/l] ART [g/l] ART [g/l]
0h 79,951 85,581 88,949
1h 18,847 20,670 29,256
2h 14,999 15,249 27,968
3h 12,896 10,868 15,750
4h 20,883 18,481 18,955
5h 24,358 20,722 19,061
6h 27,108 25,471 22,126
7h 13,200 11,234 7,970
8h 2,047 1,732 1,542
9h 1,563 1,484 1,522
 80

Figura 10 – Variação da Concentração de Manitol [mg/l] para cada uma das temperaturas
analisadas.

Como análises complementares, estão apresentados, na Figura 10 e na

Figura 11, os valores de Manitol e Glicerol (no segundo ciclo) existentes no
meio ao final da fermentação, respectivamente.

Figura 11 – Variação da Porcentagem de Glicerol para cada uma das temperaturas

analisadas.
 81

O manitol, formado exclusivamente por bactérias láticas

heterofermentativas durante a fermentação, se presta como indicador
bioquímico da intensidade da contaminação bacteriana na fermentação
alcoólica. O manitol é superado apenas pelo lactato quando se diz respeito ao
desvio de açúcares durante a fermentação alcoólica devido a contaminação
bacteriana (GOMES, 2009).
O glicerol é um produto secundário da fermentação, sendo produzido em
quantidades maiores quando a levedura se encontra em condições
consideradas desfavoráveis e estressantes. A produção de glicerol afeta o
rendimento fermentativo de maneira negativa, já que impõe um desvio da
metabolização de açúcar, ou seja, a levedura deixou de produzir etanol para
produzir glicerol (GOMES, 2009).
As tabelas abaixo (Tabela 11, Tabela 12 e Tabela 13) apresentam os
valores médios de densidade do vinho centrifugado analisadas para cada uma
das temperaturas, bem como os valores das massas, obtidas das balanças de
precisão, e o volume calculado.

Tabela 11 – Densidade [g/l], massa [g] e volume [l] médios para a temperatura de 30ºC

Temperatura = 30ºC
Tempo Densidade [g/l] Massa [kg] Volume [l]
0h 1046,7 1030,0 0,984
1h 1020,1 1360,2 1,333
2h 1021,3 1669,2 1,634
3h 1022,7 1991,4 1,947
4h 1026,4 2305,7 2,246
5h 1028,1 2634,1 2,562
6h 1030,7 2614,9 2,537
7h 1024,1 2598,0 2,537
8h 1019,0 2584,2 2,536
9h 1017,9 2579,8 2,534
 82

Tabela 12 – Densidade [g/l], massa [g] e volume [l] médios para a temperatura de 33ºC

Temperatura = 33ºC
Tempo Densidade [g/l] Massa [g] Volume [l]
0h 1046,7 1031,2 0,984
1h 1020,1 1350,3 1,323
2h 1021,3 1668,2 1,633
3h 1022,7 1983,2 1,942
4h 1026,4 2299,5 2,243
5h 1028,1 2613,4 2,545
6h 1030,7 2592 2,517
7h 1024,1 2573,9 2,515
8h 1019 2560,4 2,514
9h 1017,9 2556,3 2,511

Tabela 13 – Densidade [g/l], massa [g] e volume [l] médios para a temperatura de 36ºC

Temperatura = 36ºC
Tempo Densidade [g/l] Massa [g] Volume [l]
0h 1047,4 1037,6 0,991
1h 1024,3 1361,3 1,329
2h 1027,7 1674,2 1,629
3h 1023,5 1989,9 1,944
4h 1025,8 2304,7 2,247
5h 1027 2620,2 2,551
6h 1027,7 2596 2,526
7h 1021,2 2579,2 2,526
8h 1018,5 2568,9 2,522
9h 1018 2563,3 2,518
 83

Figura 12 - Volume, Concentração de Biomassa, Substrato e Produto na temperatura de

30ºC.

Figura 13 - Volume, Concentração de Biomassa, Substrato e Produto na temperatura de

33°C.
 84

Figura 14 – Volume, Concentração de Biomassa, Substrato e Produto na temperatura de

36°C.

As figuras Figura 12, Figura 13 e Figura 14 mostram a variação da

concentração de biomassa (g/l), produto (g/l) e substrato (g/l) e do volume do
tanque de fermentação (l) para cada uma das temperaturas.
Nos três casos estudados, a alimentação cessou após 5 horas de
fermentação. Os dados obtidos foram similares aos obtidos por BORGES
(2008) em seus experimentos, com pequena diferença na concentração celular
(biomassa), já que no experimento executado para esta tese, a reprodução
celular foi menor do que no trabalho executado por BORGES (2008).
É possível observar que a biomassa apresenta comportamento de
diminuição durante a fase de alimentação, devido a sua diluição no meio. A
quantidade de substrato também diminui ao longo do tempo, devido a diluição
e também ao consumo do mesmo.
O produto (etanol) apresenta comportamento diferenciado das outras
variáveis, já que inicia com um valor diferente de zero (pois já está presente no
meio, junto ao fermento inserido previamente, também chamado de “pé de
cuba”) e apresenta comportamento crescente. Este comportamento cessa
quando a fermentação está em vias de finalizar, ou seja, a produção de etanol
deixa de acontecer quando a quantidade de açúcar fermentescível existente no
meio se aproxima de zero.
 85

4.1.3 Taxas de Conversão, produtividade e rendimento fermentativo

Uma comparação entre as taxas de conversão, produtividade e

rendimento fermentativo foi executada para cada uma das temperaturas
avaliadas.
Temperaturas altas (acima de 35ºC) favorecem o crescimento bacteriano
(AMORIM, 2005), impactando na taxa de conversão de substrato em produto e,
consequentemente, diminuindo a produtividade. Maiores produtividades e taxas
de conversão de substrato em produto foram observadas em temperaturas
menores, bem como uma menor multiplicação celular, o que pode ser
visualizado na taxa de conversão de substrato em células. As figuras Figura 15,
Figura 16 e Figura 17 apresentam os resultados finais para cada uma das
temperaturas. Os cálculos referentes aos parâmetros Taxa de Conversão de
Substrato em Produto, Substrato em Células e Produtividade foram executados
utilizando as Equações Equação 47, Equação 48 e Equação 49, mostradas na
Seção 3.4 deste trabalho.

Yps
0,59
0,585
0,58
0,575
Yps

0,57
0,565
0,56
0,555
30 33 36
Temperature (°C)

Figura 15 – Taxa de Conversão média ao final do processo fermentativo de substrato em

produto em cada uma das temperaturas analisadas.
 86

Yxs
0,2
0,18
0,16
0,14
0,12
Yxs

0,1
0,08
0,06
0,04
0,02
0
30 33 36
Temperature (°C)

Figura 16 - Taxa de Conversão média ao final do processo fermentativo de substrato em

células em cada uma das temperaturas analisadas.

A taxa de conversão de substrato em produto apresentou variação de 2 a

3% entre as temperaturas avaliadas, sendo que a temperatura em que esta
conversão foi melhor realizada foi em temperaturas próximas a 30ºC,
dificilmente atingíveis em situações industriais.
A taxa de conversão de substrato em células apresentou um
comportamento extremo, com variações de até 2 vezes entre as temperaturas
avaliadas. Na temperatura de 33ºC obteve-se a menor taxa de conversão de
substrato em células, indicando que nesta temperatura o desvio de substrato
para a reprodução celular foi menor do que nas outras situações.
A produtividade apresentou variação insignificante entre as temperaturas
de 30 e 33ºC e uma variação de 1 a 2% com relação a temperatura de 36ºC.
O rendimento fermentativo, calculado a partir das equações Equação 50 e
Equação 51 apresentadas na seção 3.4 deste trabalho, pode ser visualizado na
Tabela 14.
 87

Qp
7,8

7,75

7,7
Qp

7,65

7,6

7,55
30 33 36
Temperature (°C)

Figura 17 - Produtividade média ao final do processo fermentativo em cada uma das

temperaturas analisadas.

Tabela 14 – Rendimento Fermentativo nos dois ciclos, para cada uma das temperaturas
estudadas neste trabalho.

Rendimento Fermentativo (%)

Tratamento Tanque 1º Ciclo 2º Ciclo

Tanque 1 94,41 85,09

30°C Tanque 2 93,52 82,91
Tanque 3 92,42 82,69
Média 93,45 83,56
Tanque 4 93,13 80,31
33°C Tanque 5 94,26 82,85
Tanque 6 92,38 83,03
Média 93,26 82,06
Tanque 7 92,15 82,10
36°C Tanque 8 91,47 80,66
Tanque 9 91,45 82,04
Média 91,69 81,60
 88

O rendimento fermentativo foi maior no 1º ciclo, pois a levedura se

encontrava em condições idealizadas. Ao se realizar o reciclo da levedura, a
mesma começa a trabalhar em condições semelhantes às obtidas no ambiente
industrial.
Quando comparados os rendimentos no 2º ciclo, percebe-se uma
variação máxima de 2%, sendo que em temperaturas menores obteve-se
melhor rendimento fermentativo.

4.2 Obtenção do modelo matemático

Usando os dados obtidos nos experimentos (Tabela 16, Tabela 17 e
Tabela 18) e aplicando a metodologia descrita na Seção 3.5, foi possível obter
o modelo para a levedura PE-2 na faixa de temperaturas de 30 a 36ºC. A
Tabela 15 mostra as condições iniciais adotadas para cada temperatura
analisada.
A Tabela 19 mostra uma comparação entre os dois métodos de Runge-
Kutta, demonstrando que o método Runge-Kutta 45 é mais adequado ao
problema proposto por ter uma melhor aproximação em todas as temperaturas
examinadas, quando comparados os dados reais e o modelo obtido. Os dados
apresentados nesta tabela dizem respeito ao grau de aproximação entre os
valores experimentais e os valores calculados pelo modelo matemático obtido.

Tabela 15 – Resultados experimentais da fermentação em batelada alimentada:

condições iniciais e finais dos experimentos.

T = 30 ºC T = 33 ºC T = 36 ºC
S0 [g/l] 0 0 0
X0 [g/l] 234,0 251,4 190,1
P0 [g/l] 34,47 34,47 34,47
V0 [l] 0,984 0,984 0,990
VF [l] 2,534 2,511 2,518
F [l/h] 0,25 0,25 0,25
tF [h] 9 9 9
Sr [g/l] 1,56 1,48 1,52
yps [g/g] 0,588 0,578 0,568
yxs [g/g] 0,092 0,061 0,184
Qp [g/(l.h)] 7,77 7,74 7,63
 89

Tabela 16 – Dados experimentais utilizados na obtenção do modelo matemático

(Temperatura = 30ºC).

30°C
Tempo Biomassa [g/l] Substrato [g/l] Produto [g/l] Volume [l]
0h 234,01 79,95 34,47 0,984
1h 200,83 18,85 67,50 1,333
2h 169,55 15,00 77,33 1,634
3h 137,20 12,90 84,17 1,947
4h 123,78 20,88 85,40 2,246
5h 101,36 27,11 86,53 2,562
6h 98,09 24,36 87,40 2,537
7h 102,21 13,20 94,53 2,537
8h 102,27 2,05 102,67 2,536
9h 105,13 1,56 104,43 2,534

Tabela 17 – Dados experimentais utilizados na obtenção do modelo matemático

(Temperatura = 33ºC).

33°C
Tempo Biomassa [g/l] Substrato [g/l] Produto [g/l] Volume [l]
0h 251,40 85,58 34,47 0,984
1h 203,74 20,67 67,63 1,323
2h 159,66 15,25 77,53 1,633
3h 153,18 10,87 85,00 1,942
4h 126,44 18,48 85,20 2,243
5h 103,77 25,47 87,20 2,545
6h 101,83 20,72 89,77 2,517
7h 93,49 11,23 96,77 2,515
8h 96,95 1,73 102,13 2,514
9h 108,06 1,48 104,13 2,511
 90

Tabela 18 – Dados experimentais utilizados na obtenção do modelo matemático

(Temperatura = 36ºC).

36°C
Tempo Biomassa [g/l] Substrato [g/l] Produto [g/l] Volume [l]
0h 190,07 88,95 34,67 0,991
1h 167,86 29,26 64,70 1,329
2h 148,84 17,97 71,53 1,629
3h 122,99 15,75 82,20 1,944
4h 102,29 18,95 85,87 2,247
5h 99,37 22,13 88,57 2,551
6h 98,74 9,06 91,30 2,526
7h 94,86 7,97 99,10 2,526
8h 104,16 1,54 102,27 2,522
9h 103,84 1,52 103,33 2,518

Tabela 19 – Comparação entre os métodos Runge-Kutta 23 e Runge-Kutta 45 durante a

estimação dos parâmetros.

T = 30 ºC T = 33 ºC T = 36 ºC
Runge-Kutta 23
Biomassa (%) 82,72 83,75 83,10
Substrato (%) 85,88 82,93 89,67
Produto (%) 76,00 75,42 72,26
Volume (%) 95,12 96,75 97,29
Runge-Kutta 45
Biomassa (%) 82,78 83,81 82,95
Substrato (%) 87,85 83,87 88,95
Produto (%) 75,84 75,82 73,12
Volume (%) 95,31 96,82 97,34

A Tabela 20 mostra as condições iniciais (“chute inicial”) e os parâmetros

obtidos usando o método de Runge-Kutta 45. Os critérios de parada adotados
foram 100 iterações ou variação menor que 10 -8 entre duas iterações
consecutivas.
 91

Tabela 20 – Parâmetros Iniciais e estimados usando o método Runge-Kutta 45.

T = 30 ºC T = 33 ºC T = 36 ºC
Inicial Estimado Inicial Estimado Inicial Estimado
µm [1/h] 0,1323 0,1277 0,1323 0,1018 0,1323 0,3128
pm [g/l] 98,3583 110,6718 98,3583 100,5807 98,3583 100,1301
n 0,9018 0,9445 0,9018 0,9251 0,9018 0,5206
ks [g/l] 1,2403 0,6084 1,2403 1,7155 1,2403 22,4115
ki [g/l] 84,0121 307,4217 84,0121 89,1689 84,0121 109,7352
ms [1/h] 0,0051 0,0118 0,0051 0,0122 0,0051 0,0122
m 0,1 0,1927 0,1 0,0877 0,1 0,0639
xm [g/l] 105 101,9126 100 105,2812 105 100,1607

Pode-se verificar que existe alto grau de correlação entre a maioria das
variáveis dependentes e a variável independente Temperatura [ºC], conforme
mostrado na Tabela 21. Apenas a variável xm não apresentou correlação linear
com a temperatura. Assim sendo, mostra-se necessário um estudo mais
detalhado com relação à influência da temperatura em cada um dos
parâmetros.

Tabela 21 – Valor de Correlação Linear R-Múltiplo (%) entre as variáveis dependentes e a

variável independente Temperatura [ºC].

Valor de R-Múltiplo [%]

µm [1/h] 80,4
pm [g/l] -88,4
n -88,6
ks [g/l] 88,8
ki [g/l] -82,0
ms [1/h] 86,6
m -94,0
xm [g/l] -33,7

Dados experimentais e os resultados dos modelos usando os parâmetros

estimados são mostrados para temperatura de 30ºC (Figura 18 a Figura 21),
 92

temperatura de 33ºC (Figura 22 a Figura 25) e temperatura de 36ºC (Figura 26

a Figura 29).

Figura 18 – Resultado da estimação dos parâmetros para temperatura de 30ºC,

comparando os dados experimentais e a estimação dos parâmetros - Biomassa (g/l)

Figura 19 – Resultado da estimação dos parâmetros para temperatura de 30ºC,

comparando os dados experimentais e a estimação dos parâmetros - Substrato (g/l)
 93

Figura 20 – Resultado da estimação dos parâmetros para temperatura de 30ºC,

comparando os dados experimentais e a estimação dos parâmetros - Produto (g/l)

Figura 21 – Resultado da estimação dos parâmetros para temperatura de 30ºC,

comparando os dados experimentais e a estimação dos parâmetros - Volume do
Tanque (l)
 94

Figura 22 – Resultado da estimação dos parâmetros para temperatura de 33ºC,

comparando os dados experimentais e a estimação dos parâmetros - Biomassa (g/l)

Figura 23 – Resultado da estimação dos parâmetros para temperatura de 33ºC,

comparando os dados experimentais e a estimação dos parâmetros - Substrato (g/l)
 95

Figura 24 – Resultado da estimação dos parâmetros para temperatura de 33ºC,

comparando os dados experimentais e a estimação dos parâmetros - Produto (g/l)

Figura 25 – Resultado da estimação dos parâmetros para temperatura de 33ºC,

comparando os dados experimentais e a estimação dos parâmetros - Volume do
Tanque (l)
 96

Figura 26 – Resultado da estimação dos parâmetros para temperatura de 36ºC,

comparando os dados experimentais e a estimação dos parâmetros - Biomassa (g/l)

Figura 27 – Resultado da estimação dos parâmetros para temperatura de 36ºC,

comparando os dados experimentais e a estimação dos parâmetros - Substrato (g/l)
 97

Figura 28 – Resultado da estimação dos parâmetros para temperatura de 36ºC,

comparando os dados experimentais e a estimação dos parâmetros - Produto (g/l)

Figura 29 – Resultado da estimação dos parâmetros para temperatura de 36ºC,

comparando os dados experimentais e a estimação dos parâmetros - Volume do
Tanque (l)
 98

4.3 Otimização dinâmica da alimentação do biorreator

As matrizes A, B1, B2, C1 e C2 foram calculadas para a temperatura de

33ºC. Esta temperatura foi escolhida por se tratar da temperatura usual de
controle no processo industrial. No cálculo das matrizes dinâmicas, considerou-
se que os parâmetros variantes θ assumiram os seguintes valores:
 (1)  s  {1,30,80},  (2)  v  {1,1.75,2.5}.
Estes valores correspondem aos pontos em que as matrizes dinâmicas
são calculadas e estão contidos nos limites observados nos experimentos
realizados anteriormente. Para fins de projeto do controlador, os demais
parâmetros são fixados em x = 150 g/l e p = 70 g/l, valores médios obtidos nos
experimentos. Como observado anteriormente, as variáveis “s” e “v” foram
definidas como parâmetros variantes, pois podem ser medidas com relativa
facilidade durante o processo de fermentação.
Os ganhos do controlador, obtidos através do toolbox de Matlab®
desenvolvido por GAHINET et al. (1995), são apresentados na Tabela 22.
Através dos resultados obtidos, foi possível obter um controle otimizado,
fazendo com o que o processo de fermentação alcoólica pudesse atingir um
estado otimizado nas condições de teste.
Sendo a variável de controle a vazão de entrada do processo, aplicando-
se a estratégia de controle acima descrita, obtém-se como resultado a
otimização apresentada na Figura 30.
 99

Tabela 22 – Resultados dos ganhos do controlador.

X1
-0,0073 -0,0014 0,0027 0
-0,0014 0,1038 0,0362 0,0006
0,0027 0,0362 0,0138 0,0002
0 0,0006 0,0002 0,0019
X2 (*1000)
0,0837 -0,1379 -0,0672 -0,0004
-0,1379 0,1801 0,1104 -0,0005
-0,0672 0,1104 0,0615 -0,0001
-0,0004 -0,0005 -0,0001 0
X3 (*1000)
0,0684 -0,0536 -0,0589 -0,001
-0,0536 -0,6946 -0,2232 -0,0008
-0,0589 -0,2232 -0,0612 0,0002
-0,001 -0,0008 0,0002 0

Figura 30 – Resultado da otimização da vazão de entrada sobre a concentração de

produto.
 100

Figura 31 – Resultado do controlador sobre a vazão de entrada.

O resultado obtido, demonstrado na Figura 30, só foi possível devido a

ação do controle ótimo, que possibilitou a variação da vazão (Figura 31). Ou
seja, o controle ótimo possibilitou um aumento superior 10% na produtividade,
com uma alteração da maneira de alimentação do biorreator, através da
variação da vazão de entrada durante o procedimento de alimentação.
 101

Capítulo 5

Neste capítulo da dissertação são apresentadas as conclusões do

trabalho e as sugestões de trabalhos futuros.

5 Conclusões e Sugestões de Trabalhos Futuros

5.1 Conclusões

Este trabalho de pesquisa apresentou como resultados um modelo não

linear baseado em estimação de parâmetros. Tal estimativa possibilitou a
representação adequada das características da fermentação, sendo eles o
consumo de substrato, a transformação de substrato em células (através de um
modelo matemático escolhido entre diversos existentes, sendo o mais
adequado para os dados experimentais obtidos) e a transformação de
substrato em produto.
Os dados obtidos, quando comparados com o resultado da estimação de
parâmetros, se mostraram próximos a curva, apresentando grande
aproximação e qualidade, além de semelhança quando comparada a outros
resultados da literatura.
A grande dificuldade apresentada nesta fase foi a existência de poucos
trabalhos semelhantes que utilizassem o MATLAB ® como programa para
otimização de parâmetros.
A presença de manitol e glicerol nos experimentos mostram a existência
de contaminação bacteriana (manitol) e consequentemente condições
estressantes para a levedura (glicerol). Tais fatos podem ter afetado de
maneira significativa o modelo matemático e, devido a isso, a aproximação não
tenha se mostrado ainda maior. Porém vale ressaltar que, no ambiente
industrial, é impossível a execução do processo fermentativo sem presença de
bactérias, mesmo que em pequenas populações.
 102

Os efeitos inibitórios do substrato (açúcar) e do produto (etanol) foram

identificados como dependentes da temperatura, ou seja, quanto maior a
concentração de entrada de substrato e consequentemente, maior
concentração final de produto, menor deve ser a temperatura do meio,
favorecendo assim o processo fermentativo. Logo, um bom controle de
temperatura leva diretamente a um aumento do rendimento fermentativo.
Quanto ao sistema de controle apresentado, pode-se concluir que,
conforme esperado, o controlador atingiu o seu objetivo. Com alteração da
vazão de entrada de mosto, foi possível simular um aumento do rendimento
fermentativo. Este resultado se mostra útil no ambiente industrial, já que
possibilita, através de uma alteração simples e facilmente programável em um
controlador lógico (PLC), um aumento no rendimento fermentativo.

5.2 Sugestões de Trabalhos Futuros

Os experimentos realizados mostraram-se bem realizados e conduzidos,

porém com um controle muito simplificado. Seria interessante que o controle
fosse mais eficiente, e que os choques nas leveduras fossem menos
impactantes. Para isso, deveria ser implantado um controlador mais atuante e
um ambiente de maior controle, evitando que contaminantes atrapalhassem o
desempenho da fermentação.
As temperaturas avaliadas, na faixa de 30ºC a 36ºC são hoje as
temperaturas mais utilizadas na indústria sucroenergética. Porém, pesquisas
recentes (http://www.fermentec.com.br/capa.asp?p=264 acessado em
17/11/2014) mostram uma tendência pelo aumento do teor alcoólico e,
consequentemente, uma diminuição da temperatura de controle, já que, como
mostrado neste trabalho, em temperaturas mais baixas, a conversão de açúcar
em etanol é mais eficiente, possibilitando também economia na agrícola com
transporte e distribuição da vinhaça, redução no consumo de vapor (energia),
menor uso de água tratada no processo industrial (diluição do fermento) e
diminuição no consumo de antibióticos.
Ainda quanto aos experimentos executados, seria importante utilizar
diferentes linhagens de leveduras, para possibilitar a avaliação do
 103

comportamento de diversas linhagens sob condições específicas. Tendo a

modelagem matemática destas diversas linhagens de leveduras, curvas
específicas de alimentação seriam implantadas e consequentemente
possibilitariam a otimização do processo industrial para cada uma das
leveduras avaliadas.
A inserção da temperatura como parâmetro da modelagem é fundamental
no controle de processo, por isso se torna necessária a sua utilização. A
maioria dos parâmetros do modelo matemático (com exceção da variável
concentração máxima de biomassa onde cessa o crescimento microbiano, xm)
mostraram possuir dependência com relação a temperatura, conforme pode ser
visto na Tabela 21.
Avaliar outros modelos matemáticos em paralelo com o adotado neste
trabalho seria de fundamental importância, já que, diferentes microorganismos
possuem comportamentos diferenciados. Possivelmente, em outras condições
de matéria-prima, temperatura ou interações, um modelo matemático diferente
possa ser obtido, dependendo destes parâmetros citados.
Neste trabalho não foi executada uma análise estatística aprofundada da
sensibilidade paramétrica dos parâmetros estimados. Seria interessante a
execução deste procedimento, de forma a elucidar e garantir que os
parâmetros estimados estão de acordo com os dados utilizados. Neste trabalho
comparou-se os dados obtidos com dados de outros trabalhos semelhantes, de
forma a sua validação.
Este trabalho apresentou características iniciais de um controle ótimo.
Novos trabalhos considerando modelos matemáticos diferentes devem ser
efetuados de maneira a obtenção e um controle ótimo multivariável. Sugere-se
controle de temperatura, vazão e concentração do substrato entrante,
realizando assim uma maior gama de controle e, possivelmente, uma
otimização mais adequada do processo.
 Referências Bibliográficas

Referências Bibliográficas

AGUIRRE, L. A. Introdução a Identificação de Sistemas: Técnicas

Lineares e Não-Lineares Aplicadas a Sistemas Reais. Editora UFMG, 2007

AMORIM, H. V. Fermentação Alcoólica: Ciência e Tecnologia. Piracicaba.

São Paulo, 2005. Fermentec, 448 p.

ANDRIETTA, S.R.; FERREIRA, E.; ANDRIETTA, M. G. Avaliação da

Influência da Velocidade de Alimentação sobre o Rendimento e Produtividade
dos Processos de Produção de Etanol Operando em Batelada Alimentada.
Anais do Sinaferm 2003. Faculdade de Engenharia Química, Universidade
Estadual de Campinas, Campinas, 7p.

ATALA, D. I. P.; COSTA, A. C.; MACIEL, R.; MAUGERI, F. Kinetics of

ethanol fermentation with high biomass concentration considering the effect of
temperature. Applied Biochem. Applied Biochemistry and Biotechnology, Vol.
91-93, p.353 - 365, 2001

BACHNAS, A. A.; TOTH, R.; MESBAH, A.; LUDLAGE, J. Perspectives of

data-driven LPV modeling of high-purity distillation columns. In Proceedings of
the European Control Conference, 3776-3783, 2013, Zurich.

BARD, Y. Nonlinear Parameter Estimation, Dynamic Models. Academic

Press, New York, Cap. 8, 219-233, 1974.

BASSO L. C., OLIVEIRA A. J., ORELLI V. F. D. M., CAMPOS A. A.,

GALLO C. R. & AMORIM H. V. Dominância das leveduras contaminantes sobre
as linhagens industriais avaliada pela técnica da ´ cariotipagem. Anais
Congresso Nacional da STAB 5: 246–250, 1993.

BASSO L. C., OLIVEIRA A. J., AMORIM H. V & LOPES, M. L. "Yeast

selection for fuel ethanol production in Brazil." FEMS yeast research 8.7: 1155-
1163, 2008.

BORGES, P. C. S. Otimização dinâmica da fermentação alcoólica no

processo em batelada alimentada. Dissertação (Mestrado em Engenharia
Química) - Universidade Federal de Uberlândia, 141 f. 2008.

BOYD, S., El GHAOUI, L., FERON, E. e BALAKRISHNAN, V. (1994).

Linear matrix inequalities in system and control theory, SIAM - Society for
Industrial and Applied Mathematics.

CARRERA, J. et al. Computational and Conceptual Issues in the

Calibration of Seawater Intrusion models. Hydrogeology Journal. V18, p.131-
145, 2010.
 Referências Bibliográficas

CARVALHO, J. C. M.; SATO S. Fermentação Descontínua Alimentada. In:

SHMIDELL, W.;LIMA, U. A.; AQUARONE, E.;BORZANI, W. (Ed.).
Biotecnologia Industrial: Engenharia Bioquímica. 6ª ed. São Paulo: Editora
Edgard Blücher, 2001. p. 205-222.

CHIOU, J.; WANG, F. Hybrid method of evolutionary algorithms for static

and dynamic optimization problems with application to a fed-batch fermentation
process. Computers and Chemical Engineering, 23, 1277-1291, 1999.

COUTINHO, D.; DEWASME, L.; VANDE WOWER, A. Robust Control of

Yeast Fed-Batch Cultures for Productivity Enhancement. 7th IFAC International
Symposium on Advanced Control of Chemical Processes, P. 709-714, 2009

DORAN, PAULINE M. Bioprocess Engineering Principles. Academic

Press, London, 1995

DRAKUNOV, S. V.; LAW, V. J. Parameter Estimation Using Sliding Mode

Observers: Application to the Monod Kinetic Model. Chemical Product and
Process Modeling, 2, Iss. 3, Art. 21, 1-27, 2007.

DUNN, Barbara, et al. Analysis of the Saccharomyces cerevisiae pan-

genome reveals a pool of copy number variants distributed in diverse yeast
strains from differing industrial environments. Genome research 22.5 (2012):
908-924.

EDGARD, T. F., HIMMELBLAU, D. M., LASDON, L. S. optomozarion of

Chemical Process, Second Edition, McGraw-Hill Chemical Engineerring Series,
651 p., 2001.

ENGL, H. W.; HANKE, M.; NEUBAUER, A. Regularization of Inverse

Problems: Mathematics and its Applications, Kluwer, 1996

FERMENTEC. Controle Microbiológico por Microscopia e Plaqueamento.

Piracicaba, 2014, 235 p. Apostila do Treinamento Analítico Laboratorial em
Microscopia e Plaqueamento. (a)

FERMENTEC. Métodos Analíticos para o Controle da Produção de

Açúcar e Álcool. Piracicaba: Fermentec, 2014. 5ª Edição. (b)

FERREIRA, A. A. Simulação da Fermentação Alcoólica de meios à Base

de Glicose por Saccharomyces cerevisiae. Dissertação (Mestrado em
Engenharia Química) - Universidade Federal de Uberlândia, 98 p. 1998.

FILHO, M. V. A. C.; MONTEIRO, J. B.; MAGAZONI, F. C.; COLLE, S.

Modeling, Simulation And Analysis Of Ethanol Fermentation Process With
Control Structure In Industrial Scale. 22nd International Conference on
Efficiency, Cost, Optimization, Simulation and Environmental Impact of Energy
Systems, p. 10, August 31 - September 3, 2009, Foz do Iguaçu, Paraná, Brazil.
 Referências Bibliográficas

FORSYTHE, G. E.; MALCOM, M. and MOLER, C. Computer Methods for

Mathematical Computations. Prentice-Hall, 1977.

FU, P. C.; BARFORD, J. P. Nonsingular optimal control for fed-batch

fermentation processes with a differential-algebraic system model. J. Proc.
Control, 3, nº4, 211-218, 1993.

GAHINET, P; NEMIROVISKI A, Laub; AJ, Chilali M. (1995) LMI Control

Toolbox. The MathWorks, Inc., Natick

GHOSE, T. K.; THYAGI, R. D. Rapid Ethanol Fermentation of Cellulose

Hydrolysate. II Product and Substrate Inhibition and Optimization of Fermentor
Design. Biotechnology and Bioengineering, 21, 1401-1420, 1979.

GOMES, F. S. Antagonismo entre leveduras e bactérias láticas na

fermentação alcoólica. Piracicaba, 172 p. Dissertação (Mestrado em Ciências –
Ciência e Tecnologia de Alimentos) – Escola Superior de Agricultura “Luiz de
Queiroz”, Universidade de São Paulo, 2009.

GOSWAMI, V.; SRIVASTAVA, A. K. Fed-batch propionic acid production

by Propionmibacterium acidpropionici. Biochemical Engineering Journal, 4, 121-
128, 2000.

HUANG, J.; JI, G.; ZHU,Y; BOSCH, P. Identification of multimodel LPV

models with two scheduling variables, Journal of Process Control, vol. 22, no. 7,
pp. 1198–1208, 2012.

IMPE VAN, J. F., NICOLAY, B. M., VANROLLEGHM, P. A., SPRIET, J. A.,

MOOR, B. B., VENDEWALLE, J. Optimal control of the penicillin G. fed-batch
fermentation: an analysis of the model of Heijnen et al. Optima Control Appl. &
Methods, 15, p. 13-34, 1994.

KELLEY, J. H. A transformation approach to singular subarcs in optimal

trajectory. SIAM J. Control, 2, 234-240, 1965.

KRUMOV, A. D.; MÓDENES, A. N.; TAIT, M. C. A. Development of new

unstructured model for simultaneous saccharification and fermentation of starch
to ethanol by recombinant strain. Biochemical Engineering Journal, 28, 243-255,
2006.

LEE, Y.; LEE, W. G.; CHANG, Y. K.; CHANG, H. N. Modelling of Ethanol

Prodiction by Saccharomyces cerevisiae from a Glicose and Maltose Mixture.
Biotechnology Letters, 17, nº8, 791-796, 1995.

LOBATO, F. S. Determinação do perfil ótimo de alimentação de substrato

no processo de Fermentação Alcoólica - Influência da Condição inicial. TEMA
Tend. Mat. Apl. Comput., 12, No. 1 , 1-10. 2011.

LOBATO, F. S.; OLIVEIRA-LOPES, L. C.; MURATA, V. V. Optimal Feed

Policy for Fed-Batch Fermentation with Events Identification Based on
 Referências Bibliográficas

Switching Structures, XXII IACChE (CIIQ) 2006/ V CAIQ AAIQ Associación

Argentina de Ingenieros Químicos IACCHE - Interamerican Confederation of
Chemical Engineering, 2006.

LUONG, J. H. T. Kinectics of Ethanol inhibition in Alcohol Fermentation.

Biotechnology and Bioengineering, p. 280-285, 1985

MODAK, J. M.; LIM, H. C. Feedback optimization of fed-batch

fermentation. Biotechnol. Bioeng., 30, 528-540, 1987.

MODAK, J. M.; LIM, H. C.; TAYEB, Y. J. General characteristics for

optimal feed rate profile for various fed-batch fermentation process. Biotechnol.
Bioeng., 28, 1396-1407, 1986

OLIVEIRA, A.J.; GALLO, C.R.; ALCARDE, V.E.; GODOY, A; AMORIM,

H.V. Métodos para o controle microbiológico na produção de açúcar e álcool.
Piracicaba: FERMENTEC/ FEALQ/ESALQ, 1996. 89p.

PACHECO, T. F. Fermentação Alcoólica com Leveduras de

Características floculantes em reator tipo torre com escoamento ascendente.
Dissertação (Mestrado em Engenharia Química) - Universidade Federal de
Uberlândia, 107 p., 2010.

PANCHAL, Chandra J. (ed.). Yeast strain selection. Marcel Dekker, INC.,

New York, p. 225-243, 1990.

PIMENTEL, G.; COUTINHO, D, 2012. Controle Robusto Por

Realimentação Linearizante Parcial De Bioreatores Em Modo De Operação
Descontínua Com Alimentação. Revista Controle & Automação. Vol.23 nº.2. p.
138-152. APR. 2012.

PFEIFER, A. A. Controle Ótimo de Sistemas Algébrico-Diferenciais com

Flutuação do Índice Diferencial. Uberlândia, 106 p. Dissertação (Mestrado em
Engenharia Química) - Faculdade de Engenharia Química, Universidade
Federal de Uberlândia, 2007.

RAY, W. H. Advanced Process Control. McGraw-Hill, New York, p. 87-90,

1981.

RIVERA, E. A. C. Otimização de Bioprocessos: Avaliação de

Desempenho das Abordagens Determinística e por Algoritmos Genéticos. Tese
(Doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia
Química. Campinas, SP: 194 p., 2006.

ROHR, E., PEREIRA, L. e COUTINHO, D. (2009). Robustness analysis of

nonlinear systems subject to state feedback linearization, Revista Controle &
Automação 20(4): 482 – 489.

SANTOS, K. G.; LOBATO, F. S.; MURATA, V. V. Controle on-off de um

fermentador batelada alimentada para altas concentrações de substrato. VI
 Referências Bibliográficas

Congresso Brasileiro de Engenharia Química em Iniciação Científica,

Campinas - São Paulo, 6 p. 2005.

SCHMIDELL, W.;FACCIOTTI, M. C. R. Biorreatores e processos

fermentativos. In: SHMIDELL, W.;LIMA, U. A.; AQUARONE, E.;BORZANI, W.
(Ed.). Biotecnologia Industrial: Engenharia Bioquímica. 6ª ed. São Paulo:
Editora Edgard Blücher, 2001. p. 179-192.

SIQUEIRA, A. A. G., TERRA, M. H., BERGERMAN, M., 2011 Robust

Control of Robots: Fault Tolerant Approaches. London : Springer, v.1. p.228.

SILVA, E. C. N. Apostila do curso PMR 5215 - Otimização Aplicada ao

Projeto de Sistemas Mecânicos. Departamento de Engenharia Mecatrônica e
Sistemas Mecânicos. Escola Politécnica - USP. São Paulo, 44 p. 2015.

SMETS, I. Y.; CLAES, J. E.; NOVEMBER, E. J.; BASTIN, G. P.; VAN

IMPE, J. F. Optimal adaptive control of (bio)chemical reactors: past, present
and future. Journal of Process Control, 14, p. 795–805, 2004.

SOUZA, C. S. Avaliação da produção de etanol em temperaturas

elevadas por uma linhagem de S. Cerevisiae. Tese (Doutorado em
Biotecnologia) - Universidade de São Paulo/Instituto Butantan/IPT, 155 f. 2009.

STORN, R.; PRICE, K. Differential Evolution - A simple and efficient

adaptative scheme for global optimization over continuous spaces. International
Computer Science Institute, Berkeley, 1-15, 1996.

THATIPAMALA, R.; ROHANI, S.; HILL, G. A. Effects of High Product and

Subtrate Inhibitions on the Kinectics and Biomass and Product Yields During
Ethanol Batch Fermentation. Biotechnology and Bioengineering, 40, p. 289-297,
1992.

TOTH, R., HEUBERGER, P.S.C. & HOF, P.M.J. Van den (2012).
Prediction-error identification of LPV systems present and beyond. In J.
Mohammadpour & C. W. Scherer (Eds.), Control of linear parameter varying
systems with applications (pp. 27-60). Heidelberg Springer.

VANDERPLAATS, G. N. Numerical Optimizarion Techniquyes for

Engineering Design. Colorado Springs, CO, Third Edition, 1999.

VILLEN, R. A. Mauá: Biotecnologia - Histórico e Tendências. Escola de

Engenharia de Mauá. Apostila, 2009.

WANG, F. S.; SHEU, J. Multiobjective parameter estimation problems of

fermentation processes using a high ethanol tolerance yeast. CHEMICAL
ENGINEERING SCIENCE, 55, 3685-3695. 2000.

WANG, F. S.; SHYU, C. H. Optimal feed policy for fed-batch fermentation

of ethanol production by Zymomous mobilis. Bioprocess Engineering, 17, 63-68,
1997.
 Referências Bibliográficas

WANG, F. S.; SU, T.; JANG, H. Hybrid Differential Evolution for Problems
of Kinetic Parameter Estimation and Dynamic Optimization of an Ethanol
Fermentation Process. Ind. Eng. Chem. Res., 40, 2876-2885, 2001.

UNICA, 2012. “1a ESTIMATIVA DA SAFRA 2012/2013 - 12/04/2012”.

União da Indústria de Cana de Açúcar. 12 Apr. 2012 <
http://www.unica.com.br>

UNICA, 2015. “Histórico de produção e moagem”. União da Indústria de

Cana de Açúcar. 14 Jul. 2015 < http://www.unica.com.br>

YABARRENA, J. M. S. C. Modelagem do processo de fermentação

etanólica com interferência de bactérias heterofermentiva e homofermentativa.
São Carlos, 182 p. Dissertação (Doutorado em Ciências – Engenharia
Mecânica) – Escola de Engenharia de São Carlos, Universidade de São Paulo,
2012.

ZHU, Y.; XU, Z. A method of LPV model identification for control, in

Proceedings of the 17th World Congress of the International Federation
Automatic Control, pp. 5018–5023, Seoul, Republic of Korea, 2008.